TCGA相关分析之数据筛选 | python从TCGA-GBM的RNA-seq表达数据count中筛选出各genes对应的案例cases的表达量count矩阵

接上一篇文章，现在开始筛选数据组成count矩阵。
上一篇：TCGA下载GBM患者的RNA-seq数据

上一篇结束，下载到初始数据（图一图二是下载之后的文件夹以及每一个文件夹中的count数据文件）


需要从每一个count数据文件中筛选出gene_name、gene_type为lncRNA、FPKM表达量，效果图如下：

由于不会R语言，就用python来实现

步骤：

• 从每一个文件夹中提取出来count数据文件，整理到一个新文件夹中
• 将所有count数据文件中需要的列提取出来，整合到一个文件中
• 在整合文件中手动复制粘贴添加 gene_id、gene_name、gene_type 列数据即可（手动更快，因为这些都是一样的，不需要筛选）

1、从每一个文件夹中提取出来count数据文件，整理到一个新文件夹中

参照：python | 从指定文件夹中筛选出xml文件，复制到新的指定路径

2、将所有count数据文件中需要的列提取出来，整合到一个文件中

由于不方便对 tsv 文件操作行列，所以 tsv 转成 xls 来操作，这里就比较繁琐，需要来回转换。

2.1 tsv 转成 xls

最初由于 xlrd 模块不好用，比如更新带来的报错等，所以采用了 xlsx 格式。但是后面提取列的时候，openpyxl 模块又不支持行列操作，只能针对单元格，不得已又从 xlsx 转成 xls，绕了一圈，工作量加倍 (ˉ▽ˉ；)…

这里给出转 xls 和 xlsx 都能用的代码：
参照：python | 批量将 tsv 文件转成 xls 文件，保存到新路径

不过需要注意，不久pandas将不再支持xls，也就是说不能使用 pandas 保存为 xls 格式了，但是 xlsx 依旧能用。之后可能需要寻找其他方法，或者 tsv-xlsx-xls 间接转换。

2.2 提取出每一个 xls 文件中的所需列

这里说一下，因为使用 xlrd 模块，可直接通过 sheet.row[i] 和 sheet.col[i] 获取行和列的内容，所以使用 xls 格式。由于 openpyxl 模块只能对单元格操作，不合适，所以不用 xlsx 格式。

参照：python | 批量提取出每一个 xls 文件中的所需列，并重命名列名，保存到同一个新的 xls 文件中

---

这一篇就写到这里，下一篇继续前文工作，实现Person相关分析，后续实现共表达网络构建