Classificação mais rápida dos dados

Question

Eu preciso classificar um arquivo bed aleatoriamente 10000 vezes e obter as 1000 principais linhas de cada vez. Atualmente, estou usando o seguinte código:

for i in {1..100}; do
    for j in {1..100}; do
        sort -R myfile.bed_sorted | tail -n 1000 > myfile.bed.$i.$j.bed
    done
done

Demora quase 6 horas para fazer isso em cada arquivo. Eu tenho cerca de 150 deles para serem trabalhados. Existe uma solução mais rápida para isso?

Uma amostra dos dados (myfile.bed_sorted) eu tenho:

    chr1    111763899   111766405   peak1424    1000    .   3224.030    -1  -1
    chr1    144533459   144534584   peak1537    998 .   3219.260    -1  -1
    chr8    42149384    42151246    peak30658   998 .   3217.620    -1  -1
    chr2    70369299    70370655    peak16886   996 .   3211.600    -1  -1
    chr8    11348914    11352994    peak30334   990 .   3194.180    -1  -1
    chr21   26828820    26830352    peak19503   988 .   3187.820    -1  -1
    chr16   68789901    68791150    peak11894   988 .   3187.360    -1  -1
    chr6    11458964    11462245    peak26362   983 .   3169.750    -1  -1
    chr1    235113793   235117308   peak2894    982 .   3166.000    -1  -1
    chr6    16419968    16422194    peak26522   979 .   3158.520    -1  -1
    chr6    315344  321339  peak26159   978 .   3156.320    -1  -1
    chr1    111756584   111759633   peak1421    964 .   3110.520    -1  -1
    chrX    12995098    12997685    peak33121   961 .   3100.000    -1  -1
    chr9    37408601    37410262    peak32066   961 .   3100.000    -1  -1
    chr9    132648603   132651523   peak32810   961 .   3100.000    -1  -1
    chr8    146103178   146104943   peak31706   961 .   3100.000    -1  -1
    chr8    135611963   135614649   peak31592   961 .   3100.000    -1  -1
    chr8    128312253   128315935   peak31469   961 .   3100.000    -1  -1
    chr8    128221486   128223644   peak31465   961 .   3100.000    -1  -1
    chr8    101510621   101514237   peak31185   961 .   3100.000    -1  -1
    chr8    101504210   101508005   peak31184   961 .   3100.000    -1  -1
    chr7    8173062 8174642 peak28743   961 .   3100.000    -1  -1
    chr7    5563424 5570618 peak28669   961 .   3100.000    -1  -1
    chr7    55600455    55603724    peak29192   961 .   3100.000    -1  -1
    chr7    35767878    35770820    peak28976   961 .   3100.000    -1  -1
    chr7    28518260    28519837    peak28923   961 .   3100.000    -1  -1
    chr7    104652502   104654747   peak29684   961 .   3100.000    -1  -1
    chr6    6586316 6590136 peak26279   961 .   3100.000    -1  -1
    chr6    52362185    52364270    peak27366   961 .   3100.000    -1  -1
    chr6    407805  413348  peak26180   961 .   3100.000    -1  -1
    chr6    32936987    32941352    peak26978   961 .   3100.000    -1  -1
    chr6    226477  229964  peak26144   961 .   3100.000    -1  -1
    chr6    157017923   157020836   peak28371   961 .   3100.000    -1  -1
    chr6    137422769   137425128   peak28064   961 .   3100.000    -1  -1
    chr5    149789084   149793727   peak25705   961 .   3100.000    -1  -1
    chr5    149778033   149783125   peak25702   961 .   3100.000    -1  -1
    chr5    149183766   149185906   peak25695   961 .   3100.000    -1  -1

    

Answer 1

Supondo que você tenha memória suficiente para fazer slurp no arquivo, tente

perl -e 'use List::Util 'shuffle'; @k=shuffle(<>); print @k[0..999]' file.bed

Como você deseja fazer isso 10000 vezes, recomendo integrar a repetição no script e embaralhar os índices da própria matriz para acelerar as coisas:

$ time perl -e 'use List::Util 'shuffle'; 
            @l=<>; for $i (1..10000){
               open(my $fh, ">","file.$i.bed"); 
               @r=shuffle(0..$#l); 
               print $fh @l[@r[0..999]]
            }' file.bed

real    1m12.444s
user    1m8.536s
sys     0m3.244s

O arquivo acima criou 10000 arquivos de 1000 linhas cada, de um arquivo que continha 37000 linhas (seu arquivo de exemplo foi repetido 1000 vezes). Como você pode ver, levou mais de três minutos no meu sistema.

Explicação

• use List::Util 'shuffle'; : isso importa um módulo Perl que fornece a função shuffle() que randomiza uma matriz.
• @l=<>; : carrega o arquivo de entrada ( <> ) na matriz @l .
• for $i (1..10000){} : execute isso 10000 vezes.
• @r=shuffle(0..$#l); : $#l é o número de elementos em @l então @r agora é uma lista aleatória dos números de índice da matriz @l (as linhas do arquivo de entrada).
• open(my $fh, ">","file.$i.bed"); : abra um arquivo chamado file.$i.bed para gravação. $i terá valores de 1 a 10000.
• print $fh @l[@r[0..999]] : pegue os primeiros 1000 índices na matriz embaralhada e imprima as linhas correspondentes (elementos de @l ).

Outra abordagem é usar shuf ( obrigado @frostschutz ):

$ time for i in {1..10000}; do shuf -n 1000 file.bed > file.$i.abed; done

real    1m9.743s
user    0m23.732s
sys     0m31.764s

    

Answer 2

Se você quiser uma referência para ver o quão rápido isso pode ser feito, copie e cole isso em 10kshuffle.cpp e compile g++ 10kshuffle.cpp -o 10kshuffle . Você pode então executá-lo:

10kshuffle filename < inputfile

Onde filename é um caminho base a ser usado para os arquivos de saída; eles serão nomeados filename.0 , filename.1 , etc. e cada um contém as primeiras 1000 linhas de um shuffle. Ele escreve o nome de cada arquivo conforme vai.

#include <cerrno>
#include <cstdlib>
#include <cstring>
#include <fcntl.h>
#include <fstream>
#include <iostream>
#include <string>
#include <sstream>
#include <unistd.h>
#include <vector>

using namespace std;

unsigned int randomSeed () {
    int in = open("/dev/urandom", O_RDONLY);
    if (!in) {
        cerr << strerror(errno);
        exit(1);
    }
    unsigned int x;
    read(in, &x, sizeof(x));
    close(in);
    return x;
}

int main (int argc, const char *argv[]) {
    char basepath[1024];
    strcpy(basepath,argv[1]);
    char *pathend = &basepath[strlen(basepath)];
// Read in.
    vector<char*> data;
    data.reserve(1<<16);
    while (!cin.eof()) {
        char *buf = new char[1024];
        cin.getline(buf,1023);
        data.push_back(buf);
    }

    srand(randomSeed());
    for (int n = 0; n < 10000; n++) {
        vector<char*> copy(data);
    // Fisher-Yates shuffle.
        int last = copy.size() - 1;
        for (int i = last; i > 0; i--) {
            int r = rand() % i;
            if (r == i) continue;
            char *t = copy[i];
            copy[i] = copy[r];
            copy[r] = t;
        }
    // Write out.
        sprintf(pathend, ".%d", n);
        ofstream file(basepath);
        for (int j = 0; j < 1000; j++) file << copy[j] << endl;
        cout << basepath << endl;
        file.close();
    }

    return 0;
}  

Em um único núcleo de 3,5 Ghz, isso ocorre em ~ 20 segundos:

   time ./10kshuffle tmp/test < data.txt
   tmp/test.0
   [...]
   tmp/test.9999
   real 19.95, user 9.46, sys 9.86, RSS 39408

data.txt foi 37000 linhas duplicadas da questão. Se você quiser o shuffle inteiro no arquivo de saída em vez das primeiras 1000 linhas, altere a linha 54 para:

for (int j = 0; j < copy.size(); j++) file << copy[j] << endl; 

    

Answer 3

Portanto, existe um aspecto Unix na sua pergunta, mas vale a pena resolver primeiro seu problema fundamental e tentar encontrar uma maneira Unix-y de implementar essa solução.

Você precisa criar 10.000 amostras de tamanho 1.000 a partir de um arquivo com um grande número desconhecido de linhas. É possível fazer isso em uma única passagem do arquivo, se você conseguir manter 10.000 x 1.000 linhas na memória. Se você não puder manter tantas linhas na memória, ainda poderá fazê-lo em uma única passagem se souber quantas linhas o arquivo contém. Se você não sabe quantas linhas seu arquivo contém, você precisa de um passo adicional para contar o número de linhas.

O algoritmo, no caso mais difícil quando você não sabe o número de linhas, é fazer o seguinte para cada amostra (em paralelo, mantendo as amostras na memória):

• inclua as primeiras 1.000 linhas na amostra
• para a linha n-ésima (onde n > 1000 ), inclua-a com a probabilidade 1000 / n e descarte uma linha aleatória das linhas que você já selecionou. (por causa da probabilidade de descartar algumas linhas, precisamos manter a amostra na memória até o final da entrada)

Uma maneira elegante de implementar o segundo passo é gerar um inteiro aleatório k em [1, n] . Se k <= 1000 incluir a linha e substituir a linha k -th existente por ela. Aqui está uma descrição mais padrão do algoritmo: link

Se você sabe o número de linhas, R , então:

• comece com o tamanho da amostra, s de 0
• inclua a n-ésima linha com probabilidade (1000 - s) / (R - n + 1) e imprima imediatamente (e aumente o tamanho da amostra s )

Como fazer isso no Unix? awk parece ser a resposta por este post na Internet (não posso garantir sua correção, mas o código está lá) link