☰

提取某些子串

tag-icon • tag-icon text-processing cut bioinformatics
提取某些子串

我有一个这样的文件：

RSID1 RSID2
chr1_169894240_G_T_b38  chr1_169894240_G_T_b38
chr1_169894240_G_T_b38  chr1_169891332_G_A_b38
chr1_169891332_G_A_b38  chr1_169891332_G_A_b38
chr1_169661963_G_A_b38  chr1_169661963_G_A_b38
chr1_169661963_G_A_b38  chr1_169697456_A_T_b38
chr1_169697456_A_T_b38  chr1_169697456_A_T_b38
chr1_27636786_T_C_b38   chr1_27636786_T_C_b38
chr1_196651787_C_T_b38  chr1_196651787_C_T_b38
chr6_143501715_T_C_b38  chr6_143501715_T_C_b38

我想提取信息，就像：chr1_169894240 chr1_169894240。我不想知道其他信息。我只是想让chr_pos我很困惑如何提取这些信息，因为长度不同。在一种情况下，其长度为 9，在另一种情况下，其长度为 10。因此，如果我使用cut命令来显示某些其显示写入值chr_pos，但对于某些显示，chr_pos_有人可以帮我解决这个问题吗？

答案1

使用 awk：

awk 'NR >1 {split($1, array, "_"); print array[1] "_" array[2]; split($2, array, "_"); print array[1] "_" array[2]}' FILE

答案2

如果您有 GNU，grep您可以选择一个匹配的模式，每行显示一个，如下所示

grep -oE '\<chr[[:digit:]]+_[[:digit:]]+' file

正则表达式可以这样分解

  • \<- 匹配单词的开头
  • chr- 文字字符
  • [[:digit:]]+- 一位或多位（+）数字
  • _- 文字下划线

答案3

您不能真正cut在此处使用，因为您需要使用银行和_分隔符来挑选您需要的字段，并且cut仅支持单字符分隔符。

改为使用awk：

awk -F '[[:blank:]_]+' 'NR > 1 { $0 = sprintf("%s_%d %s_%d", $1, $2, $6, $7) }; 1' file

这将输入视为包含由空格或下划线分隔的字段的行。第一行的标题保持不变，但其他行使用第 1、2、6 和 7 个空白或下划线分隔字段重写。

你可以使用cut，但它会有点混乱，并且你会丢失标题：

tail -n +2 file | tr -s '[:blank:]_' '[\t*]' | cut -f 1,2,6,7 | tr '\t' '\n' | paste -d '_ ' - - - -

这使用 剥离输入中的第一行tail，然后将所有空格和下划线转换为制表符（从结果中删除连续的制表符），剪切出所需的列，用第二个 将列转换为单独的行tr，然后使用paste重建数据最终结果。

相关内容