在 perl 中查找部分重复项答案

【问题标题】：Finding partial duplicates in perl在 perl 中查找部分重复项
【发布时间】：2013-08-01 16:43:38
【问题描述】：

因此，经过数月的尝试和失败以及普遍陷入困境后，我最终决定走出去寻求外部帮助。我还在学习 perl 的新技巧，希望这里的人可以帮助我，所以事不宜迟......

我有以下格式的物种：

>gi|###|...|...|...[species name] amino acid sequence

在这些行中，我将有一些包含相同的物种名称（如智人），但氨基酸序列不同。这就是为什么我不能通过散列或其他方式删除重复项，因为从技术上讲，它们不是完全重复的。

我需要一种方法来删除或不打印重复的物种名称，但让我的输出文件包含上面指定的格式。因此，如果我有 3 次出现具有不同氨基序列或 # 的智人，我需要我的输出只包含一个智人（不管哪个，可以是随机的）及其对应的序列。

任何帮助或指出正确的方向将不胜感激！希望我对这个问题足够清楚。感谢您的阅读！ :D

【问题讨论】：

嗯，使用带有物种名称的哈希作为键？你能解释一下这对你不起作用吗？
为什么不将species 存储为您的键并用您的序列值填充一个数组，然后按您的预期输出？ my %h; while (<>) { push @{$h{$1}}, $2 if /\[(.+)\]$(.+)$/; }
据我了解，哈希值更具体，因此无法区分部分差异......另外，由于我需要完整的物种名称及其相应的序列，它不会检测到重复，因为即使物种名称相同，序列也不同。

标签： perl duplicates partial

【解决方案1】：

当然可以使用哈希。只需要使用正确的键即可。

my %seen;
while (<>) {
    chomp;
    my @fields = split /\|/;
    my ($species) = $fields[4] =~ /\[([^\]]+)\]/ or die;
    print "$_\n" if !$seen{$species}++;
}

示例输入：

>gi|###|[1](A)
>gi|###|[2](B)
>gi|###|[1](C)
>gi|###|[1](D)
>gi|###|[2](E)
>gi|###|[3](F)
>gi|###|[3](F)

输出：

>gi|###|[1](A)
>gi|###|[2](B)
>gi|###|[3](F)

【讨论】：

所以 $species 只是我的物种名称，可以在我的数据文件中找到的散列中看到？这也会给我物种名称+相应的序列吗？感谢您的意见，还没有得到它的工作，但会继续修补。
试图弄清楚为什么它没有给我输出......我正在使用 perl 5.10.0
你在说什么？如果你给它任何输入，它就不可能不输出。
这是奇怪的部分，在部分中一直死掉这是输入的一个例子：>gi|45439306|ref|NP_001340.2|天冬氨酸--tRNA 连接酶，细胞质 [智人] MPSASASRKSQEKPREIMDAAEDYAKERYGISSMIQSQEKPDRVLVRVRDLTIQKADEVVWVRARVHTSR
这不是您指定的格式，我错过了+。调整和固定。