怎么读取千人基因组中的vcf数据格式文件

（看到这个问题是近3年前的，提问者应该早就知道了，但好像没有正确的回答，就在这里回答一下希望对别的搜索的问题的人有帮助）

既然知道vcf文件，就默认你是在linux系统下 *** 作的。

1）只是查看的话：如果是.vcf.gz压缩格式，就使用这个命令：less <yourfile>.vcf.gz，打开乱码试试这个：bcftools view <yourfile>.vcf.gz |less ；如果不是压缩格式: less <yourfile>.vcf就可以查看。

2）如果是要 *** 作vcf的话：就用python，导入pysam模块，没有这个模块要下载。pysam模块下载：pip install pysam，如果下不了就自己网上搜一下。顺便提供一个pysam的说明文档，有 *** 作示例：网页链接

具体 *** 作步骤如下：（一）VCFEdito1.双击运行VCF通讯录编辑器软件，点击文件菜单中的打开命令。2.d出打开通讯录文件的对话框，打开通讯录文件的位置，单击确定按钮。3.再单击文件菜单中的以明码另存通讯录为。

https://www.nature.com/articles/s41559-022-01753-8

本地pdf文件

A polar bear paleogenome reveals extensive ancient gene flow from polar bears into brown bears.pdf

https://github.com/PopGenomics-WMS/Bruno_aDNA_analysis

https://github.com/PopGenomics-WMS/Bruno_aDNA_analysis/blob/main/06.mtDNA_nuc_Phylogeny/vcf2fasta.sjf.py

这个脚本用到了 Pool python多线程处理，主要学习这个内容

如果是在windows系统下运行脚本

abc是一个文件夹，需要在当前目录下存在

这里会遇到报错 NameError: name 'dict_run' is not defined 这里的dict_run是使用global定义到函数里的一个变量，linux系统下就没有这个问题，windows学习通下的python是3.8.3，linux系统下的python版本是3.9.1

使用脚本的时候linux系统下不知道为啥用tab键不能补全文件名，暂时不知道是什么原因

脚本里定义了每种基因型对应的碱基序列

这里非纯合的位点定义为M R W这些是为啥，暂时想不明白

这个脚本有局限是，他定义了vcf文件的基因型

如果vcf文件的基因型不是这些的话就会报错keyError

这里Pool这个函数好像是必须搭配 if __name__ == '__main__': 这个语句

参考链接 https://docs.python.org/3/library/multiprocessing.html

小明的数据分析笔记本

---