
如何折疊具有相同名稱的 KO 類別並列印分配給數組中每個類別的基因名稱,如下例所示。
我有這個:
K00002 gene_65472
K00002 gene_212051
K00002 gene_403626
K00003 gene_666
K00003 gene_5168
K00003 gene_7635
K00003 gene_12687
K00003 gene_175295
K00003 gene_647659
K00003 gene_663019
K00004 gene_88381
K00005 gene_30485
K00005 gene_193699
K00005 gene_256294
K00005 gene_307497
並想要這個:
K00002 gene_65472 gene_212051 gene_403626
K00003 gene_666 gene_5168 gene_7635 gene_12687 gene_175295 gene_647659 gene_663019
K00004 gene_88381
K00005 gene_30485 gene_193699 gene_256294 gene_307497
以下命令有效(取自羅艾瑪的回答):
tr -d '\r' < file| awk '$1 != p { if (p>"") {printf "\n"} printf "%s",$1; p=$1 } { printf "\t%s",$2 } END { if(p>"") {printf "\n"} }' > output
答案1
更多相同的
awk '$1 != p { if (p>"") {printf "\n"} printf "%s",$1; p=$1 } { printf "\t%s",$2 } END { if(p>"") {printf "\n"} }' datafile
K00002 gene_65472 gene_212051 gene_403626
K00003 gene_666 gene_5168 gene_7635 gene_12687 gene_175295 gene_647659 gene_663019
K00004 gene_88381
K00005 gene_30485 gene_193699 gene_256294 gene_307497
如果你不想分開標籤然後將 更改\t
為空格。
它的工作原理如下:
# Each line is processed in turn. "p" is the previous line's key field value
# Key field isn't the same as before
$1 != p {
# Flush this line if we have printed something already
if (p > "") { printf "\n" }
# Print the key field name and set it as the current key field
printf "%s", $1; p = $1
}
# Every line, print the second value on the line
{ printf "\t%s", $2 }
# No more input. Flush the line if we have already printed something
END {
if (p > "") { printf "\n" }
}
來自模糊的 評論你是製作針對每個人的答案,似乎根本問題是您正在使用在 Windows 系統上產生的資料檔案並期望它在 UNIX/Linux 平台上運作。不要那樣做。或者,如果必須,請先將文件轉換為正確的格式。
dos2unix < datafile | awk '...' # As above
tr -d '\r' < data file | awk '...' # Also as above
答案2
文件:
K00002 gene_65472
K00002 gene_212051
K00002 gene_403626
K00003 gene_666
K00003 gene_5168
K00003 gene_7635
K00003 gene_12687
K00003 gene_654221
K00003 gene_663019
K00004 gene_88381
K00005 gene_30485
K00005 gene_193699
K00005 gene_256294
使用 awk:
awk '1 {if (a[$1]) {a[$1] = a[$1]" "$2} else {a[$1] = $2}} END {for (i in a) { print i,a[i]}}' file
輸出:
K00002 gene_65472 gene_212051 gene_403626
K00003 gene_666 gene_5168 gene_7635 gene_12687 gene_654221 gene_663019
K00004 gene_88381
K00005 gene_30485 gene_193699 gene_256294
我拿了這個郵政作為參考。
答案3
使用米勒http://johnkerl.org/miller/doc
和
mlr --csv --implicit-csv-header --headerless-csv-output cat -n -g 1 then label a,b,c then reshape -s a,c then unsparsify --fill-with "" input.csv
以及此範例 csv 輸入
A,234
A,4945
B,8798
B,8798
B,790
你將會擁有
A,234,4945,
B,8798,8798,790
答案4
假設您的值不包含空格並且以空格分隔;也假設您的資料位於名為的檔案中file
(請參閱下面的製表符分隔版本):
for x in $(<file cut -d ' ' -f 1 | sort | uniq); do
printf '%s %s\n' "$x" "$(grep "$x" file | cut -d ' ' -f 2- | tr '\n' ' ' | sed 's/.$//')"
done
這會:
- 提取第一個欄位的不同值:
cut
-f 1
只選擇一行的第一個區塊 ( ),並在每個空格 (-d ' '
) 處將其斷開;sort | uniq
將對第一個欄位的值進行排序並僅輸出每個欄位一次(或者,更短、更有效率:)sort -u
;
- 對於每個:
file
從with中提取所有相關行grep
;cut
使用(-f 2-
表示「取得第二個及後續欄位」)剝離第一個欄位;- 將餘數轉換為空格分隔值清單 (
tr
); - 去掉最後一個字元——一個不需要的空格——使用
sed
(是的,這真的很不優雅); - 將結果連接到第一個欄位的值並列印到標準輸出。
如果您的輸入是製表符分隔的並且您想要製表符分隔的輸出,則上面的程式碼將變為:
for x in $(<file cut -f 1 | sort | uniq); do
printf '%s\t%s\n' "$x" "$(grep "$x" file | cut -f 2- | tr '\n' '\t' | sed 's/.$//')"
done
筆記:
- 效能:這種方法的執行時間明顯高於
awk
基於解決方案的執行時間(我測試過羅艾瑪的回答)。至少是一個數量級。 - 另一方面,即使輸入檔案未排序,此方法也有效。
- 儘管這種解決方案是有效完成工作的快速(而且骯髒?)方法,但通常不建議使用 shell 循環處理文字;請參閱“參考”為什麼使用 shell 循環處理文字被認為是不好的做法?」。