sed 命令用于替换遵循模式的行中的单词

Question 1

我怀疑你的例子很糟糕，你实际上必须以某种方式将基因 ID 映射到基因名称，而不是以编程方式转换它们，例如使用如下文件：

$ cat ids2names
gene_A when
gene_B chapmen
gene_C billies

如果是这样，那么您可以使用任何 awk 执行以下操作：

$ awk -F'[: ]' 'NR==FNR{map[$1]=$2; next} {print map[$1], $3}' ids2names file
when CTCTTTCTTTTACGCCT
when CTCTTTCTTTTACGCCT
when CTCTTTCTTTTACGCCT
chapmen CTCTTTCTTTTACGCCT
chapmen CTCTTTCTTTTACGCCT
billies CTCTTTCTTTTACGCCT

否则，如果基因名称实际上只是一个基因 ID，_如您的示例中所示，则删除了...

使用任何 sed：

$ sed 's/_\([^:]*\)[^ ]*/\1/' file
geneA CTCTTTCTTTTACGCCT
geneA CTCTTTCTTTTACGCCT
geneA CTCTTTCTTTTACGCCT
geneB CTCTTTCTTTTACGCCT
geneB CTCTTTCTTTTACGCCT
geneC CTCTTTCTTTTACGCCT

或任何 awk：

$ awk -F'[_: ]' '{print $1 $2, $4}' file
geneA CTCTTTCTTTTACGCCT
geneA CTCTTTCTTTTACGCCT
geneA CTCTTTCTTTTACGCCT
geneB CTCTTTCTTTTACGCCT
geneB CTCTTTCTTTTACGCCT
geneC CTCTTTCTTTTACGCCT

如果输入中的空格并不总是单个空格，则更改为-F'[: ]'awk脚本中的-F'[:[:blank:]]+'或（如果存在，则保留）以及sed 脚本中的或。-F'[: \t]+'_[^ ][^[:blank:]][^ \t]

当查门比利时

Answer

我怀疑你的例子很糟糕，你实际上必须以某种方式将基因 ID 映射到基因名称，而不是以编程方式转换它们，例如使用如下文件：

$ cat ids2names
gene_A when
gene_B chapmen
gene_C billies

如果是这样，那么您可以使用任何 awk 执行以下操作：

$ awk -F'[: ]' 'NR==FNR{map[$1]=$2; next} {print map[$1], $3}' ids2names file
when CTCTTTCTTTTACGCCT
when CTCTTTCTTTTACGCCT
when CTCTTTCTTTTACGCCT
chapmen CTCTTTCTTTTACGCCT
chapmen CTCTTTCTTTTACGCCT
billies CTCTTTCTTTTACGCCT

否则，如果基因名称实际上只是一个基因 ID，_如您的示例中所示，则删除了...

使用任何 sed：

$ sed 's/_\([^:]*\)[^ ]*/\1/' file
geneA CTCTTTCTTTTACGCCT
geneA CTCTTTCTTTTACGCCT
geneA CTCTTTCTTTTACGCCT
geneB CTCTTTCTTTTACGCCT
geneB CTCTTTCTTTTACGCCT
geneC CTCTTTCTTTTACGCCT

或任何 awk：

$ awk -F'[_: ]' '{print $1 $2, $4}' file
geneA CTCTTTCTTTTACGCCT
geneA CTCTTTCTTTTACGCCT
geneA CTCTTTCTTTTACGCCT
geneB CTCTTTCTTTTACGCCT
geneB CTCTTTCTTTTACGCCT
geneC CTCTTTCTTTTACGCCT

如果输入中的空格并不总是单个空格，则更改为-F'[: ]'awk脚本中的-F'[:[:blank:]]+'或（如果存在，则保留）以及sed 脚本中的或。-F'[: \t]+'_[^ ][^[:blank:]][^ \t]

当查门比利时

Question 2

使用乐（以前称为 Perl_6）

~$ raku -pe 's/^  \w+  <( \: <[0..9-]>+  //;'   file 

#OR

~$ raku -pe 's/^ (\w+)    \: <[0..9-]>+ /$0/;'  file

以上是用 Raku（Perl 编程语言家族的成员）编写的答案。这两个答案使用 Raku 的-pe类似 sed 的自动打印逐行标志（可以设想其他答案使用 Raku 的-ne类似 awk 的非自动打印逐行标志）。

简而言之，^检测字符串的开头（行），后跟\w+一个或多个数字或下划线，后跟\:冒号，再后跟由<[0..9-]>+阿拉伯数字和-连字符组成的自定义字符类。（要包含 Unicode 数字，请<+ :N + [-]>+改用）。

输入示例：

gene_A:3342234 CTCTTTCTTTTACGCCT
gene_A:1244-5205 CTCTTTCTTTTACGCCT
gene_A:1838438 CTCTTTCTTTTACGCCT
gene_B:1848584 CTCTTTCTTTTACGCCT
gene_B:1029-4920 CTCTTTCTTTTACGCCT
gene_C:3849029 CTCTTTCTTTTACGCCT

示例输出（两个代码示例）：

gene_A CTCTTTCTTTTACGCCT
gene_A CTCTTTCTTTTACGCCT
gene_A CTCTTTCTTTTACGCCT
gene_B CTCTTTCTTTTACGCCT
gene_B CTCTTTCTTTTACGCCT
gene_C CTCTTTCTTTTACGCCT

每个答案的解释：

Raku 的<(捕获标记用于删除冒号之前的匹配项（注意捕获标记单独工作，但可以同时使用<(和/或）。)>然后剩余的捕获在替换的一半中被“无替换”，即删除。
Raku 的(…)数字捕获括号用于捕获基因名称，本质上是在之后放弃匹配。然后，现在的捕获$0被放置在替换半场中，即删除比赛的剩余部分。

注意：如果确实需要“捕获然后修改”（即删除基因名称中的下划线），那么 Raku 可以让您在替换的一半中运行代码。下面trans将所有下划线转换为空字符串（即什么都没有），返回删除下划线的基因名称：

~$ raku -pe 's/^ (\w+) \: <[0..9-]>+ /{$0.trans("_" => "")}/;'  file

#OR (more simply)

~$ raku -pe 's/^ (\w+) \: <[0..9-]>+ /$0.trans("_" => "")/;'  file

https://docs.raku.org/language/regexes
https://raku.org

Answer