在 awk 代码中使用 bash 变量

Question

以下用 bash 编写的函数结合 AWK 代码对多列数据执行数学运算，最终将结果保存在所有处理过的 CSV 的输出文件中。

home="$PWD"
# folder with the outputs
rescore="${home}"/rescore 
# folder with the folders to analyse
storage="${home}"/results_bench
cd "${storage}"
# pattern of the csv file located inside each of sub-directory of "${storage}"
str='*str1.csv'

     rescore_data3 () {
str_name=$(basename "${str}" .csv)
mkdir -p "${rescore}"/"${str_name}"
# loop all directories contained target csv file
while read -r d; do
awk -F', *' -v OFS=', ' '
    FNR==1 {
        if (suffix)                             # suppress the empty line
            printf "%s %.3f (%d)\n", suffix, dGmin, dGminid
                                                # report the results for dGmin
        dGmin = ""                              # initialize the min value
        path=FILENAME
        sub(/\/[^/]+$/,"",path)
        prefix=suffix=FILENAME
        sub(/_.*/, "", prefix)
        sub(/\/[^\/]+$/, "", suffix); sub(/^.*_/, "", suffix)
        if (FNR==NR)
            print "lig(CNE)" " " "dG(" prefix ")" " " "ClusterID"        # print the header line
        next
    }
    {
        dG = sqrt((($3+10)/10)^2+(($2-100)/100)^2)
        if (dGmin == "" || dG < dGmin) {
            dGmin = dG                          # update the min dG value
            dGminid = $1                        # update the ID with the min dG
        }
    }
    END {
        printf "%s %.3f (%d)\n", suffix, dGmin, dGminid # report results for dGmin
    }
' "${d}_"*/${str} > "${rescore}/"${str_name}"/"${d%%_*}".csv"
done < <(find . -maxdepth 1 -type d -name '*_*_*' | awk -F '[_/]' '!seen[$2]++ {print $2}')
}

基本上每个处理的 CSV 都包含 3 列：

#input_str1.csv located in the folder 10V1_cne_lig12
ID, POP, dG
1, 142, -5.6500 # the line with ID=1, has lowest value in dG
2, 10, -5.5000
3, 2, -4.9500
4, 150, -4.1200

对 5 个 CSV 文件应用 rescore_data3() 会产生以下输出（每行包含有关单个 csv 的信息）：

# 10V1.csv
lig dG(10V1) ID
lig12 0.947 (1)
lig40 0.595 (1)
lig199 1.060 (1)
lig211 0.756 (2)
lig278 0.818 (1)

我需要修改 AWK 代码数学方程中的常数（10 和 100），以便将它们替换为针对所有已处理的 csv 文件计算的灵活变量：应将 10 替换为 dG 的最低值（每个 input.csv 的第 3 列），将 100 替换为 POP 的最高值（每个 input.csv 的第 2 列）。最终，AWK 脚本中修改后的数学方程仍应包含 $2 和 $3 变量（针对特定 csv 获取的信息）以及 ${the_lowest_dG} 和 ${the_highest_POP}（在开始时仅对所有 CSV 计算一次）：

dG = sqrt((($3-{the_lowest_dG})/{the_lowest_dG})^2+(($2-{the_highest_POP})/{the_highest_POP})^2)

編輯： 以下是基于 AWK 代码集成到我的函数中的可能解决方案，由 glenn jackman 提出。为了计算 lowest_dG 和 highest_POP对于所有输入 CSV ，我在 AWK 函数之前使用了这个 awk 代码（它也已更新为接受这两个变量并在数学方程中进一步使用它）：

rescore_data4 () {
# name of the target CSV file to be rescored
str_name=$(basename "${str}" .csv)
#make dir for output 
mkdir -p "${rescore}"/"${str_name}"
**# 1 - calculate max POP and dGmin for ALL rescored CSVs at once**
read highestPOP lowestDG < <(
    awk -F ', ' '
        FNR == 1 {next}
        NR == 2 || $2 > pop {pop = $2}
        NR == 2 || $3 < dg  {dg  = $3}
        END {print pop, dg}
    ' "${storage}"/*_*_*/${str} ## < applied on all *.csv files in each of the subdirectory matching *_*_* pattern
)
printf >&2 'DEBUG INFO: this is topPOP= %d and dGmin= %.1f computed for %s...  ' "${highestPOP}" "${lowestDG}" "${str_name}"; sleep 0.1 
#
# 2- Apply the following AWK code for rescoring and final data collecting
while read -r d; do
# run rescoring routine using the min/max values 
awk -F', *' -v OFS=', ' -v highest_POP="$highest_POP" -v lowest_dG="${lowestDG}" '
    FNR==1 {
        if (suffix)                             # suppress the empty line
            #print suffix " " dGmin " (" dGminid ")"
            printf "%s %.3f (%d)\n", suffix, dGmin, dGminid
            #printf "%s %.3f (%d) %.3f (%d)\n", suffix, dGmin, dGminid, dGmax, dGmaxid
                                                # report the results
        dGmin = ""                              # initialize the min value
        
        path=FILENAME
        sub(/\/[^/]+$/,"",path)
        prefix=suffix=FILENAME
        sub(/_.*/, "", prefix)
        sub(/\/[^\/]+$/, "", suffix); sub(/^.*_/, "", suffix)
        if (FNR==NR)
            print "lig(CNE)" " " "dG(" prefix ")" " " "ClusterID"        # print the header line
            #print "lig(CNE)" " " "dGmin(" prefix ")" " " "ID(dGmin)" " " "dGmax(" prefix ")" " " "ID(dGmax)"         # print the header line
        next
    }
    {
        dG = sqrt((($3-lowest_dG)/lowest_dG)^2+(($2-240)/240)^2)
        if (dGmin == "" || dG < dGmin) {
            dGmin = dG                          # update the min dG value
            dGminid = $1                        # update the ID with the min dG
        }
    }
    END {
        #print suffix " " dGmin " (" dGminid ")"    # report the results
        printf "%s %.3f (%d)\n", suffix, dGmin, dGminid
        #printf "%s %.3f (%d) %.3f (%d)\n", suffix, dGmin, dGminid, dGmax, dGmaxid
    }
' "${d}_"*/${str} > "${rescore}/"${str_name}"/"${d%%_*}".csv"
done < <(find . -maxdepth 1 -type d -name '*_*_*' | awk -F '[_/]' '!seen[$2]++ {print $2}')
}

虽然这通常很有效，但新引入的 awk 部分存在一个错误：有时在输入大量 CSV 的情况下无法计算最低 DG 的值包含超过 10 行。

Answer 1

在 awk 中，将 视为$用于获取给定字段编号的值的运算符。Awk 变量与 C 变量一样，不需要使用 取消引用$。

awk -F', *'\
    -v OFS=', ' \
    -v the_highest_POP="the_highest_POP" \
    -v the_lowest_dG="$the_lowest_dG" \
'
    # ...
    dG = sqrt((($3 - the_lowest_dG) / the_lowest_dG)^2 + (($2 - the_highest_POP) / the_highest_POP)^2)

我是否应该使用 bash（使用 while 一次处理所有 CSV）计算 ${the_highest_POP} 和 ${the_lowest_dG} ，将它们存储在外部变量中并提供给 awk，[...] 或者是否可以直接在 AWK 代码中执行所有步骤

这完全取决于some_method_to_cumpute_highest_POP_for_all_csvs_in_d

---

啊，我明白了。我没有仔细阅读问题。您将必须处理文件两次，一次用于查找最小/最大值，另一次用于进行 dG 计算。为了便于阅读，我将使用 2 个单独的 find/awk 调用来执行此操作：

# get the files you want to operate on.
# I'm assuming there are not hundreds of them.
mapfile -t cvsFiles < <(
    find . -maxdepth 1 -type d -name '*_*_*' |
    awk -F '[_/]' '!seen[$2]++ {print $2}')
)

# get the min/max values
read highestPOP lowestDG < <(
    awk -F ', ' '
        FNR == 1 {next}
        NR == 2 || $2 > pop {pop = $2}
        NR == 2 || $3 < dg  {dg  = $3}
        END {print pop, dg}
    ' "${csvFiles[@]}"
)

# do the calculations over all the files
awk -F', *'\
    -v OFS=', ' \
    -v the_highest_POP="$highestPOP" \
    -v the_lowest_dG="$lowestDG" \
'...' "${files[@]}"