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

使用 AWK 复制列并用制表符分隔它们

  • 772

我有一个大文件，其格式tab如下：

#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|

现在，最后一列（第 10 列）出现的数字等于用竖线除以 0 |；但是，我希望实现以下目标：

#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

tab我设法通过替换符号来分隔列|，这让我知道如何复制它们并添加|数字之间的数字。我尝试了几次for循环，但我能做的最好的就是只打印两列，如下所示：

1    1
2    2
3    3
...

否则printf我会得到一行输出但不能保持计数器与初始列相同的值...非常感谢任何帮助，提前谢谢！

text-processing

2 个回答

  1. Best Answer

    这应该可以做到：

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

    解释

    • awk -F '\t' -v OFS='\t'：将输入（-F '\t'）和输出（-v OFS='\t'）字段分隔符设置为制表符。
    • /^[^#]/{ ... }: 在不以 开头的行上#，即非标题行。
    • gsub("\\|","\t",$10);：将|第 10 个字段中的所有内容替换为制表符。
    • gsub("[0-9]+","&|&\t",$10)|：现在用它们自己、a以及它们自己和一个制表符 替换所有的数字集。 /^[^#]/{ ... }1'：当某些东西的计算结果为真时，其默认操作awk是打印当前记录（行），因此这个1总是计算结果为真（非 0）并且超出/^[^#]/{}条件的，将打印每一行。

    它在您的数据上的表现如下（为清楚起见，仅显示前几个字段）：

    $ 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

    请注意，这不是有效的 VCF，您还需要在#CHROM列出的每个基因型的标题上有一个样本名称，以便设计用​​于使用 VCF 的工具可以正确处理它。

    • 5

  2. 使用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'
    • 输入-F字段分隔符和OFS O输出F字段S分隔符设置为\tab。
    • 字段$10是通过 p pe 作为 sepsplit来排列的。a|
    • 然后$10设置为空字符串""。
    • 随后$10使用循环重新创建for。
    • 1始终为真，即打印当前记录。事实上，除了空字符串或零之外，其他任何内容都是真。

    tab如果您不介意在记录末尾添加额外内容，那么命令可以缩短为$10 = $10 a[i]"|"a[i] OFS。

    • 3

相关问题