Início / unix / Perguntas / 787172
Accepted
Matteo
Asked: 2024-11-25 21:34:48 +0800 CST

duplicar colunas com AWK e separá-las por tabulação

  • 772

Tenho um arquivo grande com o seguinte formato tab-separado:

#CHROM  POS     ID      REF     ALT     QUAL    FILTER  INFO    FORMAT  recombination
chr1    586001  >63041388>63041391      G       A       60      .       AC=80;AF=0.3125;AN=256;AT=>63041388>63041390>63041391,>63041388>63041389>63041391;NS=3;LV=0     GT    1|2|3|

Agora, a última coluna, a décima, aparece como muitos números divididos por uma barra vertical |; no entanto, o que desejo alcançar é o seguinte:

#CHROM  POS     ID      REF     ALT     QUAL    FILTER  INFO    FORMAT  recombination
chr1    586001  >63041388>63041391      G       A       60      .       AC=80;AF=0.3125;AN=256;AT=>63041388>63041390>63041391,>63041388>63041389>63041391;NS=3;LV=0     GT    1|1    2|2    3|3

Consegui separar as colunas tabsubstituindo o |símbolo, o que me deixa com a forma de duplicá-las e adicionar novamente os |números entre elas. Tentei algumas vezes com forloops, mas o melhor que consegui fazer foi imprimir apenas duas colunas como tal:

1    1
2    2
3    3
...

caso contrário, printfobtenho uma saída de uma linha, mas não consigo manter o contador com o mesmo valor da coluna inicial... Qualquer ajuda é muito apreciada, obrigado antecipadamente!

text-processing

2 respostas

  1. Best Answer

    Isto deve resolver:

    awk '/^[^#]/{gsub("\\|","\t",$10); gsub("[0-9]+","&|&\t",$10) }1' file.vcf

    Explicação

    • awk -F '\t' -v OFS='\t': defina os separadores de campo de entrada ( -F '\t') e saída ( -v OFS='\t') como uma tabulação.
    • /^[^#]/{ ... }: em linhas que não começam com #, ou seja, linhas que não são de cabeçalho.
    • gsub("\\|","\t",$10);: substitua tudo |no 10º campo por tabulações.
    • gsub("[0-9]+","&|&\t",$10): agora substitua todos os conjuntos de dígitos por eles mesmos, a |e depois eles mesmos novamente e uma tabulação. /^[^#]/{ ... }1': a ação padrão awkquando algo é avaliado como verdadeiro é imprimir o registro atual (linha), então este 1, que sempre é avaliado como verdadeiro (diferente de 0) e está fora do /^[^#]/{}condicional, imprimirá todas as linhas.

    É assim que aparece nos seus dados (mostrando apenas os primeiros campos para maior clareza):

    $ awk -F '\t' -v OFS='\t' '/^[^#]/{gsub("\\|","\t",$10); gsub("[0-9]+","&|&\t",$10) }1' file.vcf | cut -f 1-50
#CHROM  POS ID  REF ALT QUAL    FILTER  INFO    FORMAT  recombination
chr1    586001  >63041388>63041391  G   A   60  .   AC=80;AF=0.3125;AN=256;AT=>63041388>63041390>63041391,>63041388>63041389>63041391;NS=3;LV=0 GT  1|1     2|2     3|3     4|4     5|5     6|6     7|7     8|8     9|9     10|10       11|11       12|12       13|13       14|14       15|15       16|16       17|17       18|18       19|19       20|20       21|21

    Observe que este não é um VCF válido e você também precisará ter um nome de amostra no #CHROMcabeçalho para cada genótipo listado para que as ferramentas projetadas para consumir VCFs possam lidar com ele corretamente.

    • 5

  2. Usando awk:

    $ awk -F '\t' -v OFS='\t' '!/^#/{n=split($10,a,/\|/); $10=""; for(i=1;i<=n;i++) $10 = ($10 ? $10 OFS : "") a[i]"|"a[i]}1'
    • O separador de campo de entrada -Fe o separador de campo OFS Ode saída são definidos como ab.FS\t
    • O campo $10deve splitser adisposto por p |pe como sep.
    • Então $10é definido como uma string vazia "".
    • Depois disso $10é recriado usando forloop.
    • 1é true sempre que imprime o registro atual. Na verdade, qualquer coisa é verdade, exceto string vazia ou zero.

    Se você não se importar com um extra tabno final do registro, o comando pode ser encurtado para $10 = $10 a[i]"|"a[i] OFS.

    • 3

relate perguntas