如何在Snakemake规则中对输入文件用Python iloc提取指定列首值？

下面提供两种可行的方法，其中shell命令的方式更高效，适合处理大型GWAS汇总统计文件：

方法一：用shell命令直接提取（推荐） #

不需要依赖Python Pandas，直接用zcat和awk快速定位目标列的首个值，避免读取整个大文件：

rule convert_file:
    input: "sumstats/{prefix}.txt.gz"
    output: "sumstats/{prefix}.sumstats.gz"
    shell: '''
        munge_sumstats.py --chunksize 50000 \
            --sumstats {input} \
            --N $(zcat {input} | awk -v col="colname" 'NR==1{for(i=1;i<=NF;i++) if($i==col) c=i} NR==2{print $c; exit}') \
            --out {output}
    '''

• 核心逻辑：先解压文件内容，第一行遍历表头找到目标列的索引，第二行直接输出该列的值后退出，节省内存和时间。

方法二：用Python实现类似iloc的逻辑 #

如果习惯用Pandas处理数据，可以在Snakemake规则中用run块替代shell，直接读取文件提取值：

rule convert_file:
    input: "sumstats/{prefix}.txt.gz"
    output: "sumstats/{prefix}.sumstats.gz"
    run:
        import pandas as pd
        # 仅读取第一行数据（避免加载整个大文件）
        df = pd.read_csv(input[0], sep='\t', compression='gzip', nrows=1)
        n_value = df['colname'].iloc[0]
        # 执行shell命令
        shell(f'''
            munge_sumstats.py --chunksize 50000 \
                --sumstats {input} \
                --N {n_value} \
                --out {output}
        ''')

• 注意：如果你的sumstats文件分隔符不是制表符，需要调整sep参数匹配实际格式。

内容的提问来源于stack exchange，提问作者KKK