こんな感じで、基本のライブラリと pandas
を使って実現できるでしょう。
import sys
import os
import pandas as pd
# ファイル読み取り&コメント削除(有効なデータの中に'#'は無いものと仮定)
lines = []
with open('test.vcf','r') as file:
alltext = file.readlines()
for line in alltext:
str = line.strip().split('#') # 行の前後の空白を削除し、'#'で分割
if str[0]: # コメントでは無い部分だけリスト化
lines.append(str[0])
# 各行のタブで区切った最初のデータをリスト化
count = []
for line in lines:
a = line.split('\t')
count.append(a[0])
# データの出現回数をカウントしてDataFrame化
s = pd.Series(count)
vc = pd.value_counts(s)
df = vc.rename_axis('CHR').to_frame('counts')
# データ文字列の最大長を取得
idx = list(df.index)
n = len(max(idx, key=len))
# 数値データを抽出し、右寄せしてソート
dfnum = df.query('CHR.str.isnumeric()', engine='python')
dfnum = dfnum.rename(index=lambda s: s.rjust(n))
dfnum = dfnum.sort_index()
# 文字列データを抽出し、右寄せしてソート
dfstr = df.query('not CHR.str.isnumeric()', engine='python')
dfstr = dfstr.rename(index=lambda s: s.rjust(n))
dfstr = dfstr.sort_index()
# 数値・文字列のDataFrameを連結
dfall = pd.concat([dfnum, dfstr])
# 結果表示
print(dfall)
検索したら、.vcf ファイル等を扱うライブラリがあるようですので、そちらを使うのもアリかもしれません。
cyvcf2 / pysam / PyVCF
cyvcf2: fast, flexible variant analysis with Python
他に古そうですがこんなまとめページも。
Python の基礎とバイオインフォマティクス Python 3.4
直接は関係無いですが、専門分野向けパッケージ等も。
Bioconda
biocondaを利用してNGS関連のソフトウェアを一括でインストールする
Biocondaを使ってみた
Python for Biologists
Biopython
bcftools index --stats test.vcf.gz