☰

读取/操作第 n 次重复的列数据

tag-icon • tag-icon text-processing awk
读取/操作第 n 次重复的列数据

我有一个矩阵，其中有不同样本中基因的计数

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

这是一个示例矩阵。

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

我想划分 counts_sampleA / (total_counts_sampleA*Length)，依此类推其他样本

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

这是预期的结果

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，但当矩阵很大时效果不佳。如果有100个样本，其中column3-colum102将有geneCountinEachSample，而Coulmn103-column202将有totalCountinEachSample，我该怎么写。

我想将它与 for 循环一起使用，因此当有更多样本时，它可以处理任意数量的列？

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

关于如何进行这项工作的任何建议。谢谢 ！

答案1

好吧，你几乎已经得到答案了：

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

请注意，使用cat file | awk ...不是最理想的，awk 直接将文件作为参数处理；即便如此，这样做awk ... < infile也比对猫的无用利用。

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设置为一个或多个空白。
  • ORS = RS = \n
  • @F保存给定记录的字段。
  • splice从偏移量 0 开始删除 2 个元素并减小数组大小。
  • 根据 OP 规范，@F 中保留的内容是偶数元素。前半部分是counts_for_each_sample，后半部分是total_count_for_each_sample。

结果

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

相关内容