如何动态添加前缀到文本文件中的行？

Question

我有一个非常大的文本文件，里面有一个格式如下：

gene1 gene2

gene3

gene4

gene5

gene6

gene7 gene8

gene9

...

我想这个文件是这样的格式：

gene1 gene2

gene1 gene3

gene1 gene4

gene1 gene5

gene1 gene6

gene7 gene8

gene7 gene9

...

基因1，基因2，等等。有一些不，可以有不同的长度空间的字母组合..示例文件低于

https://drive.google.com/open?id=0B6u8fZadKIp2aEVIUTJ6NzlJVlk

可有人PLE是否指向正确的方向？

Answer 1

% getting the text and the first word 
text_in_file = fileread('oldfle.txt'); 
first_word = regexp(text_in_file, '\S*', 'match','once'); 

% generating the new string 
str = regexprep(text_in_file,'[\n\r]+',['\n\n' first_word ' ']); 
% writing to the file 
fid = fopen('newfile.txt', 'wt');fprintf(fid, str);fclose(fid); 

这里是一个修改后的代码，将处理与2个基因的许多行的情况。它重置计数并开始在单基因行前插入新的基因名称。那是你想要的吗？

% getting the text 
text_in_file = fileread('oldfile.txt'); 
% splitting into rows 
rows = regexp(text_in_file,'\n','split'); 
% number of genes in the rows 
A = cellfun(@(x) numel(regexp(x, '\t')), rows); 
% row indices with two genes 
two_word_rows = find(A==2); 
% first genes 
first_words = cellfun(@(x) regexp(x, '\S+', 'match', 'once'), rows(two_word_rows), 'UniformOutput' , false); 

% modifying the rows 
for i=setdiff(1:numel(rows), two_word_rows) % exclude the two gene rows 
    last_idx = find(two_word_rows<i,1,'last'); % which word to add? 
    rows{i} = sprintf('%s\t%s', char(first_words(last_idx)), rows{i}); 
end 

% writing to the file 
fid = fopen('newfile.txt', 'wt'); 
fprintf(fid, '%s', rows{:}); 
fclose(fid); 

请不要仅仅复制和粘贴代码。尝试通过它，阅读注释并查看使用函数的文档。

Answer 2

此代码导入所有32491基因名称，然后将它们写入新文件。

oldfile='file.txt'; 
newfile='file2.txt'; 
fclose all; 
fid=fopen(oldfile,'r'); 
genes={}; 
l=fgetl(fid); 
while ~isnumeric(l) 
    l = regexp(l, '\W', 'split'); 
    l = l(~cellfun(@isempty,l)); 
    if ~isempty(l) 
     genes(end+1:end+numel(l))=l; 
    end 
    l=fgetl(fid); 
end 
fclose(fid); 

fid=fopen(newfile,'wt'); 
for ct = 2:numel(genes) 
    fprintf(fid,'%s %s\n',genes{1},genes{ct}); 
end 
fclose(fid); 

输出：

TGM1 HIST1H4C 
TGM1 HIST1H4B 
TGM1 HIST1H4A 
TGM1 TGM3 
TGM1 HIST1H4G 
TGM1 HIST1H4F 
TGM1 HIST1H4E 
TGM1 HIST1H4D 
TGM1 HIST1H4K 
TGM1 HIST1H4J 
(etc.)