☰

Use awk para selecionar apenas linhas selecionadas com um campo menor que o limite do arquivo CSV

tag-icon • tag-icon bash text-processing awk csv
Use awk para selecionar apenas linhas selecionadas com um campo menor que o limite do arquivo CSV

Lidar com o pós-processamento do arquivo csv de várias colunas continha muitas (10.000+) linhas:

ID(Prot), ID(lig), ID(cluster), dG(rescored), dG(before), POP(before)
9000, lig662, 1, 0.421573, -7.8400, 153
10V2, lig807, 1, 0.42692, -8.0300, 149
3000, lig158, 1, 0.427342, -8.1900, 147
3001, lig158, 1, 0.427342, -8.1900, 147
10V2, lig342, 1, 0.432943, -9.4200, 137
10V1, lig807, 1, 0.434338, -8.0300, 147
4000, lig236, 1, 0.440377, -7.3200, 156
10V1, lig342, 1, 0.441205, -9.4200, 135
4000, lig497, 1, 0.442088, -7.7900, 148
9000, lig28, 1, 0.442239, -7.5200, 152
3001, lig296, 1, 0.444512, -7.8900, 146
10V2, lig166, 1, 0.447681, -7.1500, 157
....
4000, lig612, 1, 0.452904, -7.0200, 158
9000, lig123, 1, 0.461601, -6.8000, 160
10V1, lig166, 1, 0.463963, -7.1500, 152
10V1, lig369, 1, 0.465029, -7.3600, 148

O que eu fiz até agora

Estou usando o seguinte awkcódigo integrado em uma bashfunção, que pega 1% (linhas superiores) do CSV e o salva como um novo CSV (contendo assim um número reduzido de linhas):

take_top44 () {
    # Take the top lines from the initial CSV
    awk -v lines="$(wc -l < original.csv)" '
    BEGIN{
      top=int(lines/100)
    }
    FNR>(top){exit}
    1
    ' original.csv >> csv_with_top_lines.csv
}

O que eu quero fazer agora

Como posso modificar meu awkcódigo para aplicar um filtro mais seletivo no CSV original? Por exemplo para fazer a filtragem dos dados com base no valor (número flutuante) da 4ª coluna (in dG(rescored))?

Por exemplo, preciso usar o valor mais baixo (que está sempre na segunda linha minForth = 0.421573) como referência e imprimir todas as linhas do CSV onde $4for menor que um limite selecionado (digamos, 20% acima minForth):

$4<=(1+0.2)*min))'

Responder1

Se você simplesmente deseja filtrar todas as linhas onde o quarto campo está abaixo de um limite, o seguinte awkcomando funcionaria:

awk -F',' -v margin=0.2 'FNR==2 {min=$4} FNR>1&&($4<=(1+margin)*min)' input.csv

ou, se você quiser ter o cabeçalho na saída filtrada também:

awk -F',' -v margin=0.2 'FNR==2 {min=$4} FNR==1||($4<=(1+margin)*min)' input.csv

Isso definirá o separador de campo como ,(mas observe que seu arquivo não é CSV padrão, pois você tem espaços adicionais separando seus campos) e importará uma variável margincom o valor 0.2para o awkprograma.

Dentro do programa, ele irá definir o minvalor da variável para o valor da 4ª coluna se estivermos na linha 2 ( FNR==2). Ele só imprimirá a linha atual se estivermos na linha 1 (o cabeçalho - se você quiser) ou se estivermos na parte de dados do arquivo e o quarto campo for menor que 1+margino valor mínimo.

Responder2

Este é um script bastante detalhado - não use atalhos e imprima informações em arquivos stderr. Quanto à parte sh, você normalmente pode adicionar opções para definir os valores "Globais" na parte superior, para poder chamar com opções além de argumentos. Ou seja:

my_script --max-factor 0.15 -p 20 --out-file foo.csv *.csv

Então, por meio dessa filtragem rescorede porcentagem de linhas. As partes detalhadas podem obviamente ser excluídas.

#!/bin/sh

# Globals with defaults set
num_lines=0
max_percent_lines=10
max_factor=0.2

fn_in=""
# Default out. Optionally set to another file.
fn_out=/dev/stdout
# As /dev/null to quiet information
fn_err=/dev/stderr

get_num_lines()
{
    num_lines=$(wc -l< "$1")
}
print_filtered()
{
    awk \
    -v num_lines="$num_lines" \
    -v max_percent_lines="$max_percent_lines" \
    -v max_factor="$max_factor" \
    -v fn_err="$fn_err" \
    '
    BEGIN {
        FS=", "
        # Exclude header
        max_line = (1 + num_lines / 100 * max_percent_lines)
        # Truncate
        max_line -= max_line % 1
        printf "Lines       : %d\n",
            num_lines - 1 >>fn_err
        printf "Line Max    : %d (%d%%)\n",
            max_line, max_percent_lines >>fn_err
    }
    NR == 2 {
        max_rescored = ($4 + $4 * max_factor)
        printf "Rescored Max: %f\n", max_rescored >>fn_err
    }
    NR > 1 {
        print $0
    }
    NR >= max_line {
        printf "Max Line    : %d (Exit)\n", max_line >>fn_err
        exit
    }
    $4 >= max_rescored && NR > 2 {
        printf "Max Rescored: %f (Exit)\n", $4 >>fn_err
        exit
    }
    ' "$fn_in" >>"$fn_out"
}

# Here one could loop multiple input files

Opções de linha de comando

Conforme solicitação nos comentários.

Para obter as opções, existem várias maneiras. O mais simples seriam os argumentos posicionais. Por exemplo:

Usage: script percent margin <files ...>

No roteiro, alguém diria então:

percent=$1
margin=$2
shift
shift
... loop files ...

Se alguém gosta de ser um pouco mais sofisticado/flexível, pode fazer algo assim;

Primeiro escreva uma helpfunção. Poderia ser algo parecido. (O uso de basenamee $0provavelmente pode ser discutido):

print_help() {
    printf "Usage: %s [OPTIONS] <FILES ...>\n" "$(basename "$0")"
    printf "\nSome description\n"
    printf "\nOPTIONS\n"
    printf "  -p --percent-lines  V  Print percent of file. Default %s\n" "$max_percent_lines"
    printf "  -r --max-factor     V  Max rescored increase. Default %s\n" "$max_factor"
    printf "  -o --out-file       V  Output file. Default stdout\n"
    printf "  -q --quiet             Silence information\n"
    printf "  -h --help              This help\n"
    printf "  --                     Everything after this is input files\n"
    printf "\nEverything after first unrecognized option is treated as a file.\n"
}

Onde normalmente se chama para print_help >&2imprimir em stderr e não em stdout.

Com helpo acima, use uma forma semi-padrão. Não é necessário -abcou --foo=123, mas cada opção e argumento devem ser separados por espaços.

Opcionalmente, sem trocadilhos, confira postagens como

Então, uma maneira simples para o resto do script, com alguma verificação de erros ingênua, poderia ser:


# While not empty
while ! [ -z "$1" ]; do
    case "$1" in
    -h|--help)
        print_help >&2
        exit 1
        ;;
    -p|--percent-lines)
        shift
        max_percent_lines="$1"
        ;;
    -r|--max-factor)
        shift
        max_factor="$1"
        ;;
    -o|--out-file)
        shift
        fn_out="$1"
        ;;
    -q|--quiet)
        fn_err="/dev/null"
        ;;
    --)
        break
        ;;
    *)
        break
        ;;
    esac
    # Next argument
    shift
done

if ! [ -r "$1" ]; then
    printf "Unable to read file: \`%s'\n" "$1" >&2
    exit 1
fi

# Print header from first file
head -n 1 "$1" >>"$fn_out"

for fn_in in "$@"; do
    printf "Processing '%s'\n" "$fn_in" >>"$fn_err"
    if ! [ -r "$1" ]; then
        printf "Unable to read file: \`%s'\n" "$1" >&2
        exit 1
    fi
    get_num_lines
    print_filtered
done

Poderíamos implementar mais validação de opções, ou seja, garantir que sejam números, etc.

informação relacionada