《Bioinformatics-Data-Skills》之Unix工具查看与操作文本数据（1）
表格形式的纯文本数据一般通过以下形式记录数据：
- 有一个表头；
- 每一行记录一个观测条目（例如一个病人）；
- 每一列记录一个特征维度（例如身高，体重等），使用tab，逗号或者空格分隔。
注：
由于换行符在Unix系统中为换行符"\n"，在windows系统中是回车符加换行符”\r\n“，注意可能会出现的问题。
使用tab与逗号分隔的文件分别叫做tsv与csv文件，tsv由于歧义小最常用。
这里我们初步学习如何使用Unix命令查看文本内容。
1. head和tail命令
head命令会展示文件前10行的内容：
head Mus_musculus.GRCm38.75_chr1.bed
# 1 3054233 3054733
# 1 3054233 3054733
# 1 3054233 3054733
# 1 3102016 3102125
# 1 3102016 3102125
# 1 3102016 3102125
# 1 3205901 3671498
# 1 3205901 3216344
# 1 3213609 3216344
# 1 3205901 3207317
这里的行数可以通过-n参数指定：
head -n 3 Mus_musculus.GRCm38.75_chr1.bed
# 1 3054233 3054733
# 1 3054233 3054733
# 1 3054233 3054733
tail的命令展示文件最后几行内容，使用方式与head类似：
tail -n 3 Mus_musculus.GRCm38.75_chr1.bed
# 1 195240910 195241007
# 1 195240910 195241007
# 1 195240910 195241007
不过tail的-n参数还可以设定为+x形式（代表从第x行开始展示），例如：
seq 4 > test.txt
tail -n +2 test.txt
# 2
# 3
# 4
结合head与tail命令展示文件的前3行与最后3行：
(head -n 3; tail -n 3) < Mus_musculus.GRCm38.75_chr1.bed
# 1 3054233 3054733
# 1 3054233 3054733
# 1 3054233 3054733
# 1 195240910 195241007
# 1 195240910 195241007
# 1 195240910 195241007
我们可以在~/.bashrc文件存入以下函数，source之后可以使用i（inspect）命令查看文件前3行与最后3行内容：
i(){
(head -n 3; tail -n 3) < "$1" | column -t
}
i Mus_musculus.GRCm38.75_chr1.bed
# 1 3054233 3054733
# 1 3054233 3054733
# 1 3054233 3054733
# 1 195240910 195241007
# 1 195240910 195241007
# 1 195240910 195241007
最后补充一下head在调试程序中的好处，观察下面的例子：
grep 'gene_id "ENSMUSG00000025907"' | head -n 1
# 1 protein_coding gene 6206197 6276648 gene_id "ENSMUSG00000025907"; gene_name "Rb1cc1"; [...]
由于在最后加入了一个head -n 1的命令，在grep匹配到1个结果的时候程序就会停止（类似于使用ctrl + c打断）。
那么我们在测序pipeline的时候可以采用下面的形式：
grep "some_string" huge_file.txt | program1 | program2 | head -n 5
上面的程序在得到5行结果后grep，program1，program2都会停止运行，这样可以方便我们快速地检查与调试代码。
2. less
less相比于命令更像是应用程序，它可以将结果直接展示在一面屏幕上：
less Mus_musculus.GRCm38.75_chr1.gtf
使用以下的操作方式浏览内容：
空格键向下一个屏幕，b键向上一个屏幕，j键 k键分别向下与向上一行内容，q键退出（详见表1）。
在less界面下可以使用/键搜索文本内容，例如输入/gene_id "ENSMUSG00000025907"得到高亮的匹配结果（篇幅有限，不展示）。
与head类似，less的一个妙用是可以用于debug程序。例如说我们想要构建如下的一个pipeline：
program1 input.txt | program2 | program3 > output.txt
可以通过以下迭代的方式逐步检查与完善此pipeline：
program1 input.txt | less
program1 input.txt | program2 | less
...
最后使用less的原因是当程序生成的内容达到一个屏幕时，此pipeline会自动停止运行并展示结果，这样我们可以在不用担心计算耗能的情况下进行程序的debug。
