如何定位数据列而不是字符位置而不是使用循环在 Perl 和 Bash 中搜索？

Question

我想知道的是如何使用 PERL 或 Bash 在字符串/数组中定位原子 H 位置（作为列号而不是字符号）？我试图避免不必要的循环来搜索 H，因为我的数据有超过一百万行。

我的研究数据如下所示

FRAM_#     20000000      5000000(fs)  CN= 1 PRMRYTGT     16652      O      16654      H  1.036      8140     CA  2.586      7319     AL  1.963

其中，有 O、H、CA 和 AL 原子。第一个原子是目标原子氧，其余原子是与目标氧结合的邻居。除第一个原子（氧）外，每个原子前面的整数为原子ID，后面的浮点数为与第一个原子的键长O(ID=16652)。

$line = 'FRAM_#     20000000      5000000(fs)  CN= 1    PRMRYTGT     16652'
        . '      O     16654      H  1.036      8140     CA  2.586'
        . '     7319     AL  1.963';
@values = split(/\s+/, $line);
my $bondlength;
my $neighbor_ID;
for (my $i = 10; $i <= $#values; $i = $+3) {
  if ($values[$i] eq 'H') {
    $neighbor_ID = $values[$i-1];
    $bondlength = $values[$i+1];
  } else {
    next;
  }

我可以使用循环在数组@values 中搜索H 的位置。但是，是否有任何其他方式（不是循环），如正则表达式或 BASH 脚本，来获取 H 在数组中的位置？如果您能给我额外的建议和帮助，我将不胜感激。

我想找到 H 和目标氧之间的氢键（键长大于 1.5 埃）。所以，我必须得到 H 的原子 ID 和相关的键长。所以，首先，我需要找到 H 的位置。然后找到原子 ID 和相关的键长。然后我可以做进一步的数据分析。

注意：我有超过100万的数据线，因此，我必须考虑代码效率。在这个例子中，H 是我的目标原子。在数据线中，H的数量可以是多种多样的。

Answer 1

目前尚不清楚给定输入的预期结果究竟是什么。 如果是字母H前后的一对数字，下面就可以了。

sed -E 's/.*\s+(\S+)\s+H\s+(\S+)\s.*/\1,\2/' < input.txt

示例输入：

FRAM_#     20000000      5000000(fs)  CN= 1 PRMRYTGT     16652      O      16654      H  1.036      8140     CA  2.586      7319     AL  1.963

样本输出：

16654,1.036

Answer 2

open(FH, "data.txt") or die "Can’t open data.txt: $!";

while(<FH>)
{
 if (@d=/\bO\s+(\d+)\s+H\s+(1\.[5-9]\d*|[2-9][\d.]*)/) {print "$_\n" for @d}
$ID=$d[0]
$len=$d[1]
}

每条数据线只产生ID，放入$d[0]，和键长，如果大于/等于1.5，则放入@d数组中的$d[1]

Answer 3

perl：使用来自List::MoreUtils的firstidx

use List::MoreUtils  qw/ firstidx /;

my $line = '...';
my @values = split ' ', $line;
my $h_idx = firstidx {$_ eq 'H'} @values;
print "H appears at index $h_idx\n";

这将使用循环under the hood。我不明白你怎么能避免它。如果您的列表已排序，您可以使用二进制搜索，但您的列表未排序。

另一方面，您根本不需要将行拆分到列表中，这样可以节省一些时间：

my ($neighbour_id, $bond_length) = $line =~ /(\d+) \s+ H \s+ (\S+)/x;
return $neighbour_id if $bond_length > 1.5;

Answer 4

这是您的代码，为了便于阅读，稍微重新格式化（空格并不短缺！）

$line = "FRAM_#     20000000      5000000(fs)  CN= 1  PRMRYTGT     16652      O      16654      H  1.036      8140     CA  2.586      7319     AL  1.963";

@values = split(/\s+/, $line);

my ($bondlength, $neighbor_ID);

for (my $i = 10; $i <= $#values; $i += 3) {
  if ($values[$i] eq 'H') {
    $neighbor_ID = $values[$i-1];
    $bondlength = $values[$i+1];
  }
  else {
    next;
  }
}

循环中的else 子句完全没有必要。无论如何，循环将继续进行下一次迭代。

一个明显的优化是一旦找到氢原子就停止寻找。所以你的代码看起来像这样：

$line = "FRAM_#     20000000      5000000(fs)  CN= 1  PRMRYTGT     16652      O      16654      H  1.036      8140     CA  2.586      7319     AL  1.963";

@values = split(/\s+/, $line);

my ($bondlength, $neighbor_ID);

for (my $i = 10; $i <= $#values; $i = $+3) {
  if ($values[$i] eq 'H') {
    $neighbor_ID = $values[$i-1];
    $bondlength = $values[$i+1];
    last; # stop looking once you've found it
  }
}

我不知道它是否足以解决你所有的问题，但这是一个开始。