linux 统计文件中关键字出现的次数_生信分析中基本Linux命令的使用

内容写的特别的“简洁”，存在疑惑的部分，欢迎讨论。

Linux基本命令能做的事

学习了cat, head, tail, less, more,cut,sort,wc,uniq等基本命令后，如何使用这些命令对生物信息数据做简单的分析呢。大致可以完成以下任务：

• 了解数据内容

• 数据基本信息，例如文件大小，有多少行

• 数据提取，排序和去重

所以本文假定你掌握了基本的Linux命令，对于不知道的命令会用man或者help去了解这些命令的作用。

数据准备

这里采用的实验数据是拟南芥的参考基因组及其注释文件，可在TAIR中下载，命令如下：

wget http://www.arabidopsis.org/download_files/Genes/TAIR10_genome_release/TAIR10_chromosome_files/TAIR10_chr_all.fas
wget http://www.arabidopsis.org/download_files/Genes/TAIR10_genome_release/TAIR10_gff3/TAIR10_GFF3_genes.gff

基本上从NCBI, EBI或其他数据库下载的数据都是以ASCII编码，可以用file命令检查。如果不是ASCII编码的，你需要使用hexdump或其他命令删除里面的特殊符号。

$ file TAIR10_GFF3_genes.gff
TAIR10_GFF3_genes.gff: ASCII text

了解数据内容

在拿到一个纯文本文件后，第一步肯定是想看下这个文件的大致内容。但是如