☰

讀取/操作第 n 次重複的列數據

tag-icon • tag-icon text-processing awk
讀取/操作第 n 次重複的列數據

我有一個矩陣，其中有不同樣本中基因的計數

Col1: GeneName
Col2: Length
Col3;Col4;Col5; Counts for genes in sampleA/sampleB/sampleC
Col6;Col7;Col8; Total counts in sampleA/sampleB/sampleC

這是一個範例矩陣。

A1BG    1758    53  4373    207 46005749    43849471    31554941 
A1BG-AS1    2126    5   88  12  46005749    43849471    31554941
A1CF    9695    8882    3522    437 46005749    43849471    31554941 
A2M 5399    15963   12325   7227    46005749    43849471    31554941 
A2M-AS1 6660    50  33  36  46005749    43849471    31554941

我想劃分 counts_sampleA / (total_counts_sampleA*Length)，依此類推其他樣本

貓在文件中 | awk 'BEGIN {OFS="\t"} { print $1,$2,$3/($6*$2),$4/($7*$2),$5/($8*$2) }'

這是預期的結果

A1BG    1758    6.55307e-10 5.67278e-08 3.73151e-09  
A1BG-AS1    2126    5.11204e-11 9.43963e-10 1.78875e-10   
A1CF    9695    1.99136e-08 8.28471e-09 1.42845e-09   
A2M 5399    6.42672e-08 5.20606e-08 4.24207e-08   
A2M-AS1 6660    1.63186e-10 1.12999e-10 1.71301e-10

工作正常，但當矩陣很大時效果不佳。如果有100個樣本，其中column3-colum102將有geneCountinEachSample，而Coulmn103-column202將有totalCountinEachSample，我該怎麼寫？

我想將它與 for 循環一起使用，因此當有更多樣本時，它可以處理任意數量的列？

cat inFile | awk 'BEGIN {OFS="\t"} { row=NF; samples=3; size=$samples+2; for ( i=3; i<=$size; i++); END print $i/$[$i+$samples] }'

關於如何進行這項工作的任何建議。謝謝 ！

答案1

好吧，你幾乎已經得到答案了：

awk '
     {cols=((NF/2) + 1)
      for (i=1; i <= cols; i++) {
          if (i >= 3) {
              count_index= i + cols - 2
              printf("%s\t", 1.0 * $i / ($count_index * $2))
          } else {
              printf("%s\t", $i) 
          }
      }
      printf("\n")
     }' inFile

請注意，使用cat file | awk ...不是最理想的，awk 直接將文件作為參數處理；即便如此，這樣做awk ... < infile也比對貓的無用利用。

答案2

perl -F'\s+' -lane '$,="\t"; # OFS made a TAB
   my($gN, $gL) = splice @F, 0, 2; # store gene name & length
   print $gN, $gL, map { sprintf "%.5e", $F[$_] / ( $F[$_+@F/2] * $gL ) } 0 .. @F/2-1;
' gene_samples.file
  • FS設定為一個或多個空白。
  • ORS = RS = \n
  • @F保存給定記錄的欄位。
  • splice從偏移量 0 開始刪除 2 個元素並減少陣列大小。
  • 根據 OP 規範，@F 中保留的內容是偶數元素。前半部是counts_for_each_sample，後半部是total_count_for_each_sample。

結果

A1BG      1758  6.55307e-10  5.67278e-08  3.73151e-09
A1BG-AS1  2126  5.11204e-11  9.43963e-10  1.78875e-10
A1CF      9695  1.99136e-08  8.28471e-09  1.42845e-09
A2M       5399  6.42672e-08  5.20606e-08  4.24207e-08
A2M-AS1   6660  1.63186e-10  1.12999e-10  1.71301e-10

相關內容