☰

Como imprimo linhas para a primeira aparição de um valor exclusivo em um arquivo de 2 colunas?

tag-icon • tag-icon awk uniq
Como imprimo linhas para a primeira aparição de um valor exclusivo em um arquivo de 2 colunas?

Eu tenho um pequeno trecho de um arquivo com o qual estou trabalhando:

ENSDARG00000032737    ENSDARP00000120731
ENSDARG00000032737    ENSDARP00000049290
ENSDARG00000061051    ENSDARP00000081062
ENSDARG00000061051     
ENSDARG00000061051    ENSDARP00000129708

Quero imprimir apenas a primeira instância de cada valor exclusivo na primeira coluna e o valor correspondente na segunda coluna, então minha saída desejada seria:

ENSDARG00000032737    ENSDARP00000120731
ENSDARG00000061051    ENSDARP00000081062

Existe uma maneira simples de fazer isso com awk ou uniq ou algo semelhante?

Qualquer ajuda seria apreciada.

Responder1

POSIX AWK:

m1[$1] == 0 {
   m1[$1] = 1
   print
}

Para cada linha:

  1. veja se a primeira coluna existe no "banco de dados"
  2. caso contrário, adicione ao "banco de dados" e imprima a linha inteira

Responder2

$ sort -s -k1,1 -u file
ENSDARG00000032737    ENSDARP00000120731
ENSDARG00000061051    ENSDARP00000081062

Isso classifica o arquivo com base apenas na primeira coluna. Ao fazer isso, ignora as linhas cuja primeira coluna já foi vista.

A maioria das implementações de sortpossui uma opção não padrão -s(usada no comando acima) que garante que estará usando um algoritmo de classificação "estável". Um algoritmo de classificação estável não altera a ordem das entradas que possuem chaves idênticas (primeira coluna no seu caso).

Observe, entretanto, que a transcrição mais longa (com a qual Ensembl e Havana concordam 100%) para oENSDARG00000032737gene é ENSDART00000049291, que codifica ENSDARP00000049290, não ENSDARP00000120731. Mas isso não é da minha conta.

Responder3

Esta solução idiomática funcionará de forma robusta usando qualquer awk em qualquer shell em cada caixa UNIX:

$ awk '!seen[$1]++' file
ENSDARG00000032737    ENSDARP00000120731
ENSDARG00000061051    ENSDARP00000081062

Responder4

Melhores soluções já fornecidas apenas postando minha tentativa

for i in `awk '{if(!seen[$1]++)print $1}' filename`; do sed -n '/'$i'/{p;q}' filename; done

saída

ENSDARG00000032737    ENSDARP00000120731
ENSDARG00000061051    ENSDARP00000081062

informação relacionada