☰

使用 awk 从 CSV 文件中仅选择一个字段小于阈值的行

tag-icon • tag-icon bash text-processing awk csv
使用 awk 从 CSV 文件中仅选择一个字段小于阈值的行

处理包含许多（10000+）行的多列 csv 文件的后处理：

ID(Prot), ID(lig), ID(cluster), dG(rescored), dG(before), POP(before)
9000, lig662, 1, 0.421573, -7.8400, 153
10V2, lig807, 1, 0.42692, -8.0300, 149
3000, lig158, 1, 0.427342, -8.1900, 147
3001, lig158, 1, 0.427342, -8.1900, 147
10V2, lig342, 1, 0.432943, -9.4200, 137
10V1, lig807, 1, 0.434338, -8.0300, 147
4000, lig236, 1, 0.440377, -7.3200, 156
10V1, lig342, 1, 0.441205, -9.4200, 135
4000, lig497, 1, 0.442088, -7.7900, 148
9000, lig28, 1, 0.442239, -7.5200, 152
3001, lig296, 1, 0.444512, -7.8900, 146
10V2, lig166, 1, 0.447681, -7.1500, 157
....
4000, lig612, 1, 0.452904, -7.0200, 158
9000, lig123, 1, 0.461601, -6.8000, 160
10V1, lig166, 1, 0.463963, -7.1500, 152
10V1, lig369, 1, 0.465029, -7.3600, 148

到目前为止我做了什么

awk我正在使用集成到函数中的以下代码bash，该函数从 CSV 中获取 1%（顶行）并将其保存为新的 CSV（包含因此减少的行数）：

take_top44 () {
    # Take the top lines from the initial CSV
    awk -v lines="$(wc -l < original.csv)" '
    BEGIN{
      top=int(lines/100)
    }
    FNR>(top){exit}
    1
    ' original.csv >> csv_with_top_lines.csv
}

我现在想做的事

如何修改awk代码以对原始 CSV 应用更具选择性的过滤器？例如，根据第四列（在 中）的值（浮点数）过滤数据dG(rescored)？

例如，我需要使用最低值（始终位于第二行minForth = 0.421573）作为参考，并打印 CSV 中$4小于选定阈值的所有行（例如，高于 20% minForth）：

$4<=(1+0.2)*min))'

答案1

如果您只想过滤第四个字段低于阈值的所有行，则awk可以使用以下命令：

awk -F',' -v margin=0.2 'FNR==2 {min=$4} FNR>1&&($4<=(1+margin)*min)' input.csv

或者，如果您也想在过滤输出中包含标题：

awk -F',' -v margin=0.2 'FNR==2 {min=$4} FNR==1||($4<=(1+margin)*min)' input.csv

这会将字段分隔符设置为,（但请注意，您的文件是非标准 CSV，因为您有额外的空格分隔字段）并将margin值为 的变量导入0.2到awk程序中。

在程序内部，min如果我们位于第 2 行 ( FNR==2)，它将把变量值设置为第 4 列中的值。如果我们位于第 1 行（标题 - 如果您需要的话），或者我们位于文件的数据部分并且第四个字段小于1+margin最小值的倍，那么它只会打印当前行。

答案2

这是一个相当冗长的脚本 - 不要使用任何快捷方式并将信息打印到stderr.至于 sh 部分，您通常可以添加选项来在顶部设置值“Globals”，以便除了参数之外还可以使用选项进行调用。 IE：

my_script --max-factor 0.15 -p 20 --out-file foo.csv *.csv

因此，通过对rescored行和百分比进行过滤。冗长的部分显然可以删除。

#!/bin/sh

# Globals with defaults set
num_lines=0
max_percent_lines=10
max_factor=0.2

fn_in=""
# Default out. Optionally set to another file.
fn_out=/dev/stdout
# As /dev/null to quiet information
fn_err=/dev/stderr

get_num_lines()
{
    num_lines=$(wc -l< "$1")
}
print_filtered()
{
    awk \
    -v num_lines="$num_lines" \
    -v max_percent_lines="$max_percent_lines" \
    -v max_factor="$max_factor" \
    -v fn_err="$fn_err" \
    '
    BEGIN {
        FS=", "
        # Exclude header
        max_line = (1 + num_lines / 100 * max_percent_lines)
        # Truncate
        max_line -= max_line % 1
        printf "Lines       : %d\n",
            num_lines - 1 >>fn_err
        printf "Line Max    : %d (%d%%)\n",
            max_line, max_percent_lines >>fn_err
    }
    NR == 2 {
        max_rescored = ($4 + $4 * max_factor)
        printf "Rescored Max: %f\n", max_rescored >>fn_err
    }
    NR > 1 {
        print $0
    }
    NR >= max_line {
        printf "Max Line    : %d (Exit)\n", max_line >>fn_err
        exit
    }
    $4 >= max_rescored && NR > 2 {
        printf "Max Rescored: %f (Exit)\n", $4 >>fn_err
        exit
    }
    ' "$fn_in" >>"$fn_out"
}

# Here one could loop multiple input files

命令行选项

根据评论中的要求。

要获得这些选项，有多种方法。最简单的是位置参数。例如：

Usage: script percent margin <files ...>

在脚本中，人们会说：

percent=$1
margin=$2
shift
shift
... loop files ...

如果一个人喜欢更花哨/灵活一点，可以这样做；

首先写一个help函数。它可能是类似的东西。 （可以讨论basenameand的使用）：$0

print_help() {
    printf "Usage: %s [OPTIONS] <FILES ...>\n" "$(basename "$0")"
    printf "\nSome description\n"
    printf "\nOPTIONS\n"
    printf "  -p --percent-lines  V  Print percent of file. Default %s\n" "$max_percent_lines"
    printf "  -r --max-factor     V  Max rescored increase. Default %s\n" "$max_factor"
    printf "  -o --out-file       V  Output file. Default stdout\n"
    printf "  -q --quiet             Silence information\n"
    printf "  -h --help              This help\n"
    printf "  --                     Everything after this is input files\n"
    printf "\nEverything after first unrecognized option is treated as a file.\n"
}

人们通常通过print_help >&2as 调用它来打印到 stderr 而不是 stdout。

以上help一种使用半标准方式。它不接受-abcor --foo=123，但每个选项和参数必须用空格分隔。

或者，没有双关语，请查看类似的帖子

然后，对脚本的其余部分进行一些简单的错误检查的简单方法可能是：


# While not empty
while ! [ -z "$1" ]; do
    case "$1" in
    -h|--help)
        print_help >&2
        exit 1
        ;;
    -p|--percent-lines)
        shift
        max_percent_lines="$1"
        ;;
    -r|--max-factor)
        shift
        max_factor="$1"
        ;;
    -o|--out-file)
        shift
        fn_out="$1"
        ;;
    -q|--quiet)
        fn_err="/dev/null"
        ;;
    --)
        break
        ;;
    *)
        break
        ;;
    esac
    # Next argument
    shift
done

if ! [ -r "$1" ]; then
    printf "Unable to read file: \`%s'\n" "$1" >&2
    exit 1
fi

# Print header from first file
head -n 1 "$1" >>"$fn_out"

for fn_in in "$@"; do
    printf "Processing '%s'\n" "$fn_in" >>"$fn_err"
    if ! [ -r "$1" ]; then
        printf "Unable to read file: \`%s'\n" "$1" >&2
        exit 1
    fi
    get_num_lines
    print_filtered
done

人们可以对选项进行更多验证，即确保它是数字等。

相关内容