☰

¿Cómo extraer toda la cadena usando awk?

tag-icon • tag-icon linux awk string
¿Cómo extraer toda la cadena usando awk?

Hola, tengo algunos directorios y se ve como a continuación:

TBS890
  |___________ A.ctab
TBS345A
  |___________ A.ctab
TBS567C
  |___________ A.ctab

Estoy interesado en extraer algunos datos de los archivos A.ctab presentes en todos los directorios. digamos A.ctabque tiene 12 columnas. Estoy interesado en las columnas 6 y 12. Para eso estoy tratando de hacer lo que se muestra a continuación, pero no obtengo toda la información.

awk 'FNR==1 { print substr(FILENAME,1,$NF) >substr(FILENAME,1,$NF)".tmp" } 
     FNR >1 { print $12 > substr(FILENAME,1,$NF)".tmp" } 
     NR==FNR{ print $6  >"first_column.tmp" }' TBS*/A.ctab

Como puede ver en mi comando anterior, utilicé $NFcuál será el final del archivo FILENAME. Sé que esto está mal, ¿alguien puede ayudarme?

Si ve en mi ejemplo anterior, dos directorios terminan con el alfabeto ann, pero un directorio no. Lo que tengo que dar para conseguir el nombre hasta el final.

t_id    chr     strand  start   end     t_name  num_exons       length  gene_id gene_name       cov     FPKM
1       1       -       10060   10614   MSTRG.1.1       1       555     MSTRG.1 .       0.000000        0.000000
2       1       +       11140   30023   MSTRG.10.1      12      3981    MSTRG.10        .       2.052715        0.284182
3       1       -       11694   29342   MSTRG.11.1      8       6356    MSTRG.11        .       0.557588        0.077194
4       1       +       11869   14409   ENST00000456328.2       3       1657    MSTRG.10        DDX11L1 0.000000        0.000000
5       1       +       11937   29347   MSTRG.10.3      12      3544    MSTRG.10        .       0.000000        0.000000
6       1       -       11959   30203   MSTRG.11.2      11      4547    MSTRG.11        .       0.369929        0.051214
7       1       +       12010   13670   ENST00000450305.2       6       632     MSTRG.10        DDX11L1 0.000000        0.000000
8       1       +       12108   26994   MSTRG.10.5      10      5569    MSTRG.10        .       0.057091        0.007904
9       1       +       12804   199997  MSTRG.10.6      12      3567    MSTRG.10        .       0.000000        0.000000
10      1       +       13010   31097   MSTRG.10.7      12      4375    MSTRG.10        .       0.000000        0.000000
11      1       -       13068   26832   MSTRG.11.3      9       5457    MSTRG.11        .       0.995280        0.137788

De todos los A.ctabarchivos quiero extraer solo t_nameuna FPKMcolumna y crear un archivo nuevo. En el nuevo archivo, la FPKMcolumna debe ser el nombre de la muestra. Debería verse como a continuación:

t_name              TBS890          TBS345A              TBS567C
MSTRG.1.1              0            0.028181                 0
MSTRG.10.1         0.284182         0.002072             0.046302
MSTRG.11.1         0.077194         0.685535             0.105849
ENST00000456328.2      0            0.307315             0.038961
MSTRG.10.3             0            0.446015             0.009946
MSTRG.11.2         0.051214         0.053577             0.036081
ENST00000450305.2      0            0.110438             0.040319
MSTRG.10.5         0.007904             0                1.430825
MSTRG.10.6             0                0                0.221105
MSTRG.10.7             0            0.199354                 0
MSTRG.11.3         0.137788         0.004792                 0

Respuesta1

En caso de que TODOS los archivos tengan un t_namenúmero de líneas idéntico, intente

$ awk '
FNR == NR       {print $6 > "COL1.TMP"
                }

FNR == 1        {FN = FILENAME
                 sub (/\/[^\/]*$/, ".TMP", FN)
                 print FN  > FN
                 next
                }

                {print $12 > FN
                }
' TBS*/A.ctab
$ paste -d"\t\t\t\n" COL1.TMP TBS*.TMP

Si ese no es el caso, joinme viene a la mente la utilidad; pero requiere entradas ordenadas.

información relacionada