☰

separe um dado de uma coluna por caracteres repetidos em tantas colunas quanto os caracteres uniq

tag-icon • tag-icon text-processing
separe um dado de uma coluna por caracteres repetidos em tantas colunas quanto os caracteres uniq

Então, eu tenho um arquivo assim:

  • file1: três colunas

    SNP Id Geno
1 a AB
2 a AB
3 a BB
. . .
. . .
. . .
1 b AB
2 b BB
3 b AB
. . .
. . .
. . .
1 c AA
2 c AB
3 c AA
. . .
. . .
. . .

e preciso de um arquivo como esse:

  • file2: tantas colunas quantos os números de ID com seus genótipos

    SNP Genoa Genob Genoc . . .
1 AB AB AA
2 AB BB AB
3 BB AB AA
. . . .
. . . .
. . . .

Responder1

Este script não é fino nem legível, mas funciona e ao contrário da awksolução já postada também gera a linha de cabeçalho:

sed 'G;s/^SNP.*/SNP/
/^1 /s/ \([^ ]*\) .*SNP[^[:cntrl:]]*/& Geno\1/
s/^\([0-9]*\) [^ ]*\( [AB]*\)\n\(.*\n\1 [AB ]*\)/\3\2/
s/^\([0-9]*\) [^ ]*\( [AB]*\)\(\n\)\(.*\)/\4\3\1\2/
h
$!d' file1 > file2

Sem ser um awkusuário, acho que você pode expandir a awksolução fornecida assim para gerar a linha de cabeçalho também:

awk '{if ($1==1) h=h" Geno"$2
if ($1!="SNP") g[$1]=g[$1]" "$3}
END {print "SNP"h; for (i in g) print i g[i]}' file1 > file2

Responder2

awk '{g[$1] = g[$1] " " $3}
     END {for (i in g) print i g[i]}' < file1 > file2

Ou para preservar a ordem:

awk '! ($1 in g) {snp[n++] = $1}
     {g[$1] = g[$1] " " $3}
     END {for (i = 0; i < n; i++) print snp[i] g[snp[i]]}' < file1 > file2

Para incluir o cabeçalho "SNP Genoa Genob...":

awk 'NR == 1 {header = $1; prefix = $3; next}
     first == "" {first = "" $1}
     $1 == first {header = header " " prefix $2}
     ! ($1 in g) {snp[n++] = $1}
     {g[$1] = g[$1] " " $3}
     END {
       print header
       for (i = 0; i < n; i++) print snp[i] g[snp[i]]
     }' < file1 > file2

Responder3

perl -lane '
   next if $. == 1;                                     # skip header
   $A[@A] = $F[1] if /^1\h/;                            # populate new header
   push @{$h{$F[0]}}, $F[2]}{$,="\t";                   # OFS = tab
   print q/SNP/, map { "Geno$_" } @A;                   # new header print
   print $_, @{$h{$_}} for sort { $a <=> $b } keys %h;  # result
' gene.data

Armazene aqui o terceiro campo $F[2]em um AoA (array_of_array). No final, classificamos numericamente as chaves hash e imprimimos os dados.

sed -e '
   1d; # monospace lines
   s/[[:blank:]]\{1,\}/\t/g;s/^[[:blank:]]*//;s/[[:blank:]]*$//
   H;g
   #  1   2                            3                     4
   s/\(\n\(.*\n\)\{0,1\}\)1[[:blank:]]\([^[:space:]]\{1,\}\)\([[:blank:]][^[:space:]]\{1,\}\)$/\tGeno\3\1\n1\4/
   /\(\n[^[:space:]]\{1,\}[[:blank:]]\)[^[:space:]]\{1,\}[[:blank:]]\([^[:space:]]\{1,\}\)$/s//\1\2/
   y/\n_/_\n/
   s/_\([0-9]\{1,\}\)\([^_]*\)_\(.*_\)\{0,1\}\1\([[:blank:]][^_]*\)/_\1\2\4_\3/
   y/\n_/_\n/
   h;$!d
   s/\n*$//
   s/\n\(\n\)/\1/
   s/^[[:blank:]]/SNP&/
' gene.data

Resultado

SNP     Genoa   Genob   Genoc
1       AB      AB      AA
2       AB      BB      AB
3       BB      AB      AA

informação relacionada