c# 字典排序_如何优雅的对染色体排序

    我们拿到bed文件，通常需要按染色体排序后，对于相同染色体的还需进一步按染色体坐标位置排序，要尽量使染色体的排列顺序与bam文件中的染色体顺序一致。这样在使用某些同时处理bam和bed文件的生信工具的处理两文件的时候就不会报错。

    Linux自带sort命令，其默认排序顺序是基于字典序排序的，用以下命令，可按染色体的字典序排序，染色体一致的然后再按基因组坐标位置大小排序，命令行(为演示染色体排序效果，本人把染色体信息一列单独提取出来，并取unique，统计了频数)和结果如下：

[xuxiong@~ xiongxu]$ cut -c4- /data2/data/b37/exons.bed|sort -k1,1 -k2,2n -k3,3n |cut -f1|uniq -c
24921 1
  10330 10
  13883 11
  13653 12
   4351 13
   7886 14
   9001 15
  11101 16
  14487 17
    303 17_ctg5_hap1
      1 17_gl000204_random
      1 17_gl000205_random
   3616 18
  14408 19
    127 19_gl000209_random
     12 1_gl000191_random
     22 1_gl000192_random
  18313 2
   6037 20
   2506 21
   5394 22
  13939 3
   9339 4
     65 4_ctg9_hap1
      4 4_gl000193_random
      2 4_gl000194_random
  10671 5
  12478 6
    852 6_apd_hap1
   2102 6_cox_hap2
   2076 6_dbb_hap3
   1539 6_mann_hap4
   2003 6_mcf_hap5
   2012 6_qbl_hap6
   1945 6_ssto_hap7
  11848 7
      4 7_gl000195_random
   8333 8
  10184 9
     10 9_gl000201_random
     13 M
      1 Un_gl000212
     23 Un_gl000213
      1 Un_gl000215
      4 Un_gl000218
      7 Un_gl000219
      1 Un_gl000221
     11 Un_gl000222
     16 Un_gl000223
     52 Un_gl000228
      2 Un_gl000237
      4 Un_gl000242
   8837 X
   1059 Y

    然而我们通常需要将染色体按数字顺序排序，同时把与某条染色体相关的未能组装的contig排在其后面，这样才能尽可能与bam文件中的染色体顺序一致。本人用perl代码实现和结果如下：

[xuxiong@~ xiongxu]$ cut -c4- /data2/data/b37/exons.bed |perl -ne 'chomp;@u=split(/\t/,$_);push @array,[@u];if(eof){print join("\n",map {join("\t",@{$_})} sort {my ($c)=$a->[0]=~/^(\d+)/;my ($d)=$b->[0]=~/^(\d+)/; (defined($c) && defined($d) ? ($c <=> $d or $a->[0] cmp $b->[0]) : ((defined($d) || defined($c) || $a->[0]=~/[XY]/ && $b->[0]=~/[XY]/ || $a->[0]!~/[XY]/ && $b->[0]!~/[XY]/) ? $a->[0] cmp $b->[0] : $b->[0] cmp $a->[0] )) or $a->[1] <=> $b->[1] or $a->[2] <=> $b->[2] or $a->[3] <=> $b->[3]} @array),"\n";}' |cut -f1|uniq -c
24921 1
     12 1_gl000191_random
     22 1_gl000192_random
  18313 2
  13939 3
   9339 4
     65 4_ctg9_hap1
      4 4_gl000193_random
      2 4_gl000194_random
  10671 5
  12478 6
    852 6_apd_hap1
   2102 6_cox_hap2
   2076 6_dbb_hap3
   1539 6_mann_hap4
   2003 6_mcf_hap5
   2012 6_qbl_hap6
   1945 6_ssto_hap7
  11848 7
      4 7_gl000195_random
   8333 8
  10184 9
     10 9_gl000201_random
  10330 10
  13883 11
  13653 12
   4351 13
   7886 14
   9001 15
  11101 16
  14487 17
    303 17_ctg5_hap1
      1 17_gl000204_random
      1 17_gl000205_random
   3616 18
  14408 19
    127 19_gl000209_random
   6037 20
   2506 21
   5394 22
   8837 X
   1059 Y
     13 M
      1 Un_gl000212
     23 Un_gl000213
      1 Un_gl000215
      4 Un_gl000218
      7 Un_gl000219
      1 Un_gl000221
     11 Un_gl000222
     16 Un_gl000223
     52 Un_gl000228
      2 Un_gl000237
      4 Un_gl000242

    如有更好的方法，欢迎讨论

想学生物信息？