Я пытаюсь извлечь идентификатор последовательности и номер кластера, которые встречаются в разных строках одного и того же текстового файла.
Вход выглядит так
>Cluster 72
0 319aa, >O311_01007... *
>Cluster 73
0 318aa, >1494_00753... *
1 318aa, >1621_00002... at 99.69%
2 318aa, >1622_00575... at 99.37%
3 318aa, >1633_00422... at 99.37%
4 318aa, >O136_00307... at 99.69%
>Cluster 74
0 318aa, >O139_01028... *
1 318aa, >O142_00961... at 99.69%
>Cluster 75
0 318aa, >O300_00856... *
Желаемым результатом является идентификатор последовательности в одном столбце и соответствующий номер кластера во втором.
>O311_01007 72
>1494_00753 73
>1621_00002 73
>1622_00575 73
>1633_00422 73
>O136_00307 73
>O139_01028 74
>O142_00961 74
>O300_00856 75
Может кто-нибудь помочь с этим?
решение1
С awk:
awk -F '[. ]*' 'NF == 2 {id = $2; next} {print $3, id}' input-file
- мы разделяем поля на пробелы или периоды с
-F '[. ]*'
- со строками из двух полей (строки
>Cluster
), сохраните второе поле как идентификатор и перейдите к следующей строке - с другими строками, распечатать третье поле и сохраненный идентификатор
решение2
awk
Для этого можно использовать :
awk '/>Cluster/{
c=$2;
next
}{
print substr($3,2,length($3)-4), c
}' file
Первый оператор блока захватывает идентификатор кластера. Второй оператор блока (по умолчанию) извлекает требуемые данные и выводит их.
решение3
Вот альтернативный вариант с Ruby в одну строку:
ruby -ne 'case $_; when /^>Cluster (\d+)/;id = $1;when /, (>\w{4}_\w{5})\.\.\./;puts "#{$1} #{id}";end' input_file
или разложить на несколько строк:
ruby -ne 'case $_
when /^>Cluster (\d+)/
id = $1
when /, (>\w{4}_\w{5})\.\.\./
puts "#{$1} #{id}"
end' input_file
Я думаю, это только более читабельно, чем awk
версия, если вы знаете Ruby и regexen. В качестве бонуса, этот код может быть немного более надежным, чем простое разделение строк, потому что он ищет окружающий текст.
решение4
Перл:
$ perl -ne 'if(/^>.*?(\d+)/){$n=$1;}else{ s/.*(>[^.]+).*/$1 $n/; print}' file
>O311_01007 72
>1494_00753 73
>1621_00002 73
>1622_00575 73
>1633_00422 73
>O136_00307 73
>O139_01028 74
>O142_00961 74
>O300_00856 75
Объяснение
perl -ne
: прочитать входной файл построчно (-n
) и применить заданный скрипт-e
к каждой строке.if(/^>.*?(\d+)/){$n=$1;}
: если эта строка начинается с>
, найдите самую длинную последовательность цифр в конце строки и сохраните ее как$n
.else{ s/.*(>[^.]+).*/$1 $n/; print
: если строка не начинается с>
, замените все на самую длинную часть не-.
символов после>
(>[^.]+
), т.е. имя последовательности ($1
потому что у нас естьзахваченсовпадение с регулярным выражением) и текущее значение$n
.
Или, для более awk-подобного подхода:
$ perl -lane 'if($#F==1){$n=$F[1]}else{$F[2]=~s/\.+$//; print "$F[2] $n"}' file
>O311_01007 72
>1494_00753 73
>1621_00002 73
>1622_00575 73
>1633_00422 73
>O136_00307 73
>O139_01028 74
>O142_00961 74
>O300_00856 75
Это просто немного более громоздкий способ сделать ту же самую базовую идею, что и различные awk
подходы. Я включаю его ради полноты и для поклонников Perl. Если вам нужно объяснение, просто используйте решения awk :).