主页 / unix / 问题 / 699630
Accepted
austin7923
Asked: 2022-04-20 17:02:38 +0800 CST

具有定义范围的组 ID

  • 772

我有一个排序的 ID 和数字（位置）文件。我需要将第二列中的位置分组为一组 500 的间隔。

如果该行的值与上一行相比小于500，则将它们分组到同一组中；而如果该行的值超过 500，则将它们分组到不同的组中。

输入文件：

snp00001    200
snp00002    300
snp00003    400
snp00004    500
snp00005    600
snp00006    900
snp00007    1500
snp00008    1800
snp00009    3000
snp00010    3500
snp00011    4000
snp00012    5000

期望的输出

snp00001 200 Group1
snp00002 300 Group1
snp00003 400 Group1
snp00004 500 Group1
snp00005 600 Group1
snp00006 900 Group1
snp00007 1500 Group2
snp00008 1800 Group2
snp00009 3000 Group3
snp00010 3500 Group3
snp00011 4000 Group4
snp00012 5000 Group5

额外说明：snp00001 到 snp00006 将被归入同一组，因为它们之间的范围 (snp00002 - snp00001) 或 (snp00003 - snp00002) 或 (snp00004 - snp00003) ... 小于 500。

snp00006 和 snp00007 被分到下一组，因为它们之间的范围（snp00007 - snp00006）超过 500。

我试过用awk，但没有成功。

awk -v step=500 -v OFS='\t' '{if(NR==1 || $2+limit){group++} file="Group"group; print file,$0}' input_file
text-processing bioinformatics

2 个回答

  1. Best Answer

    您需要跟踪以前的值并将当前值与保存的值进行比较。如果差值超过 500，则增加组数。

    例如

    awk -v group=1 '{if ($2-prev>500) { group++ }} {prev=$2; $3="group" group; print}'
snp00001 200 group1
snp00002 300 group1
snp00003 400 group1
snp00004 500 group1
snp00005 600 group1
snp00006 900 group1
snp00007 1500 group2
snp00008 1800 group2
snp00009 3000 group3
snp00010 3500 group3
snp00011 4000 group3
snp00012 5000 group4

    （FWIW，您的 9/10/11 输出不一致；9->10 是 500 但不增加组，但 10->11 也是 500 但确实增加组）。

    • 2

  2. 使用Raku（以前称为 Perl_6）

    这是一个有些不同的分组方案，可能证明是有用的。它使用 Raku 的~~smartmatch 运算符快速判断一个位置是否在一个范围内（或不在）：

    ~$ raku -e 'my $i = 1; my $r = 1..500; for lines() {my $a = .words;  \
            if ($a.[1].Int ~~ $r) {say "$a Group", $i, " ", $r} else {  \
            repeat { $r+=500 } until ($a.[1].Int ~~ $r);  \
            say "$a Group", ++$i, " ", $r };}' file

    样本输入：

    snp00001    200
snp00002    300
snp00003    400
snp00004    500
snp00005    600
snp00006    900
snp00007    1500
snp00008    1800
snp00009    3000
snp00010    3500
snp00011    4000
snp00012    5000

    样本输出（从核苷酸 1 开始，每 500 个核苷酸对 SNP 进行分组）：

    snp00001 200 Group1 1..500
snp00002 300 Group1 1..500
snp00003 400 Group1 1..500
snp00004 500 Group1 1..500
snp00005 600 Group2 501..1000
snp00006 900 Group2 501..1000
snp00007 1500 Group3 1001..1500
snp00008 1800 Group4 1501..2000
snp00009 3000 Group5 2501..3000
snp00010 3500 Group6 3001..3500
snp00011 4000 Group7 3501..4000
snp00012 5000 Group8 4501..5000

    上面的 Raku 代码声明了一个 Group# 迭代器和$i一个. 输入被视为，并且每一行被分成 (whitespace-delimited) 。运行 if/else 条件：第二列smartmatches 在范围、行、Group# 和范围内，取范围并edly 递增，而不是（即）智能匹配成功。然后打印与之前相同的信息，但这次使用正确递增的 Group# ( )。$r1..500lineswordsif~~$rsayelse$rrepeat500until~~++$i

    上述分组方案的优点是生成的组都具有相等的间隔长度，在这种情况下约为 500 个核苷酸。该方案防止组间隔长度的“膨胀”，这可能发生在多个 SNP 在某种程度上位于一起时（间隔“膨胀”可能会产生“聚类”的错误印象）。

    为了使其成为更通用的“分组”工具，您可以将 Range 的右侧抽象为变量 ( $m)，以便快速分组：

    ~$ raku -e 'my $i=1; my $m=1000; my $r = 1..$m; for lines() {my $a = .words;   if ($a.[1].Int ~~ $r) {say "$a\tGroup$i\t", $r} else { repeat { $r+=$m } until ($a.[1].Int ~~ $r); say "$a\tGroup{++$i}\t", $r };}' file
snp00001 200    Group1  1..1000
snp00002 300    Group1  1..1000
snp00003 400    Group1  1..1000
snp00004 500    Group1  1..1000
snp00005 600    Group1  1..1000
snp00006 900    Group1  1..1000
snp00007 1500   Group2  1001..2000
snp00008 1800   Group2  1001..2000
snp00009 3000   Group3  2001..3000
snp00010 3500   Group4  3001..4000
snp00011 4000   Group4  3001..4000
snp00012 5000   Group5  4001..5000

    https://docs.raku.org/type/Range
    https://raku.org

    • 0

相关问题