如何在文件的每一行中用字母替换一些数字（根据该行第5列和第6列中存在的字母）？

Question

我有一个以空格分隔的文件，如下所示：

probeset_id submitted_id chr snp_pos alleleA alleleB 562_201 562_202 562_203 562_204 562_205 562_206 562_207 562_208 562_209 562_210 562_211 562_212 562_213 562_214 562_215 562_216 562_217 562_218 562_219 562_220 562_221 562_222 562_223 562_224 562_225 562_226 562_227 562_228 562_229 562_230 562_231 562_232 562_233 562_234 562_235 562_236 562_237 562_238 562_239 562_240 562_241 562_242 562_243 562_244 562_245 562_246 562_247 562_248 562_249 562_250 562_251 562_252 562_253 562_254 562_255 562_256 562_257 562_258 562_259 562_260 562_261 562_262 562_263 562_264 562_265 562_266 562_267 562_268 562_269 562_270 562_271 562_272 562_273 562_274 562_275 562_276 562_277 562_278 562_279 562_280 562_281 562_283 562_284 562_285 562_289 562_291 562_292 562_294 562_295 562_296 562_400 562_401 562_402 562_403 562_404 562_405 
AX-75448119 Chr1_41908741 1 41908741 T C 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 1 1 1 1 1 0 1 0 0 0 0 2 2 0 0 0 0 0 1 0 0 0 0 0 
AX-75448118 Chr1_41908545 1 41908545 T A 2 2 2 2 2 2 2 2 2 0 0 0 0 0 0 0 0 0 0 0 1 2 2 2 2 2 2 2 2 2 0 0 0 0 0 1 1 0 1 1 0 0 0 0 0 0 1 2 2 2 0 1 1 1 2 -1 1 2 0 0 2 1 1 0 1 0 1 2 1 0 0 1 2 2 1 2 2 0 1 2 2 2 2 2 2 0 1 0 0 0 1 2 2 2 2 0

我想根据第 5 列和第 5 列用字母替换数字。 6th

1. 将 0 替换为 $5 $5（第 5 列重复两次），例如，如果第 5 列是 T 则替换 0 为 T T
2. 将 2 替换为 $6 $6（第 6 列重复两次），例如，如果第 6 列是 C< /code> 替换 2由 C C
3. 将 1 替换为 $5 $6 例如，如果第 5 和第 6 列是 T 和 C< /code> 分别将 1 替换为 T C
4. 将 -1 替换为 ？ ?

我必须注意，第 5 列和第 6 列可以是 T、A、C 和 G

所以我想要的输出是：

AX-75448119 Chr1_41908741 1 41908741 T C T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T C T T T T T T T C T C T C T C T C T C T T T C T T T T T T T T C C C C T T T T T T T T T T T C T T T T T T T T T T 
AX-75448118 Chr1_41908545 1 41908545 T A A A A A A A A A A A A A A A A A A A T T T T T T T T T T T T T T T T T T T T T T T A A A A A A A A A A A A A A A A A A A T T T T T T T T T T T A T A T T T A T A T T T T T T T T T T T T T A A A A A A A T T T A T A T A A A ? ? T A A A T T T T A A T A T A T T T A T T T A A A T A T T T T T A A A A A T A A A A A T T T A A A A A A A A A A A A A T T T A T T T T T T T A A A A A A A A A T T

我不知道 awk 是否可以实现这一点！如果没有，我会尝试使用Python，但我更喜欢像awk这样的Linux命令（它比Python快得多，因为我使用的文件有120万行，我的计算机可以用Python交换！）

Answer 1

NR>1{
  o="1"; z="0"; t="2"
  if($5 == "T" && $6 == "C")
    o="T C"
  if($5 == "T")
    z="T T"
  if($6 == "C")
    t="C C"
  if($6 == "A")
    t="A A"
  for (i=7; i<=NF; i++) {
    gsub(/1/,o,$i)
    gsub(/0/,z,$i)
    gsub(/2/,t,$i)
    gsub(/-1/,"? ?", $i)
  }
}1

输出

$ awk -f allele.awk allele.in
probeset_id submitted_id chr snp_pos alleleA alleleB 562_201 562_202 562_203 562_204 562_205 562_206 562_207 562_208 562_209 562_210 562_211 562_212 562_213 562_214 562_215 562_216 562_217 562_218 562_219 562_220 562_221 562_222 562_223 562_224 562_225 562_226 562_227 562_228 562_229 562_230 562_231 562_232 562_233 562_234 562_235 562_236 562_237 562_238 562_239 562_240 562_241 562_242 562_243 562_244 562_245 562_246 562_247 562_248 562_249 562_250 562_251 562_252 562_253 562_254 562_255 562_256 562_257 562_258 562_259 562_260 562_261 562_262 562_263 562_264 562_265 562_266 562_267 562_268 562_269 562_270 562_271 562_272 562_273 562_274 562_275 562_276 562_277 562_278 562_279 562_280 562_281 562_283 562_284 562_285 562_289 562_291 562_292 562_294 562_295 562_296 562_400 562_401 562_402 562_403 562_404 562_405
AX-75448119 Chr1_41908741 1 41908741 T C T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T C T T T T T T T C T C T C T C T C T C T T T C T T T T T T T T C C C C T T T T T T T T T T T C T T T T T T T T T T
AX-75448118 Chr1_41908545 1 41908545 T A A A A A A A A A A A A A A A A A A A T T T T T T T T T T T T T T T T T T T T T T 1 A A A A A A A A A A A A A A A A A A T T T T T T T T T T 1 1 T T 1 1 T T T T T T T T T T T T 1 A A A A A A T T 1 1 1 A A ? ? 1 A A T T T T A A 1 1 T T 1 T T 1 A A 1 T T T T 1 A A A A 1 A A A A T T 1 A A A A A A A A A A A A T T 1 T T T T T T 1 A A A A A A A A T T

注意：您的规范仍然不完整，当第 5 列和第 6 列分别不是 T C 时，您从未说过如何处理 1。您遗漏了许多排列。

Answer 2

这可能对你有用：

awk 'NR>1{a=$3;$3="@";gsub(/ -1\>/," ? ?");gsub(/\<0\>/,$5 " " $5);gsub(/\<1\>/,$5 " " $6);gsub(/\<2\>/,$6 " " $6);$3=a;print}' file

Answer 3

这也会对前 4 列进行替换，我并没有理会 1 或 -1 的情况（留给读者作为练习），但您应该能够轻松扩展它以适应：

$ perl -lape 's/0/$F[ 4 ] $F[ 4 ]/g; s/2/$F[ 5 ] $F[ 5 ]/g' input

我真的怀疑awk 在这方面会比 perl 更快。

Answer 4

awk 绝对是你的朋友。

awk 逐行读取数据文件。您不需要/想要有任何类型的循环结构（除非您非常先进）。

awk '{print $0}' inFile

您只需读取文件的每一行并将其打印出来（它将显示在您的屏幕上，所以不要做一个大文件）

请注意，我使用 $0 来指示“整行”数据”。

awk 还具有引用每个数据字段的变量，您可以使用 $2 等值来打印文件中的第二个字段。

我想根据第 5 列和第 5 列用字母替换数字第六。所以我想要的是将 0 替换为 TT（如果第 5 列是 T），将 2 替换为 CC（如果第 6 列是 C），将 1 替换为 TC（如果第 5 列和第 6 列分别是 T 和 C），我想要将 -1 更改为 ? ？或者 ！ ！

因此，对于您的问题，您想要测试每一行，测试某些字段并设置新值。

awk 'NR>1{
  # replace 0 with T T (if the 5th column is T)
  if ($5 == 0) $5="TT"
  # and 2 by C C (if the 6th column is C)
  if ($6 == 2) $6="CC"
  # and 1 with T C (if the 5th and 6th columns are T and C respectively)
  if ($5 == "T" && $6 == "C") $1="1"
}'  inputFile  | sed 's/TT/T T/; s/CC/C C/'

要更改某个字段后的所有字段，请根据需要合并此代码，

awk 'NR>1{
  # replace 0 with T T (if the 5th column is T)
  if ($5 == 0) { 
     for (i=5; i<=NF;i++) {
         printf("T ")
     }
     printf("\n")
 }
 ......

}' inputfile ...

NR>1 表示仅处理大于 1 的行号。

请注意，我们使用简单的逻辑来实施您的测试。添加越来越多的东西很容易。回想一下，很多时候使用“分层”逻辑是有意义的 if ($5==0) { ... } else if ($5 == 1) { ....}

一个问题是例如，您要求输出“C C”。当你在 awk 中执行类似 `$5="C C" 的操作时，awk 将重新校准其字段编号，因此 $5 将是 C，$6 将是 C，而不是之前的值。

我采取了打印“CC”的快捷方式，然后在最后使用 sed 创建您的规范指示的“CC”值。

我不知道如何处理

我想将 -1 更改为 ? ？或者 ！ ！

因为它必须是其中之一，我不确定你想在哪个领域进行操作。使用上面的代码作为指导。如果您遇到困难，请发布一个新问题，其中包含示例输入数据、预期输出、当前输出和您正在使用的代码。

我希望这有帮助。

Answer 5

最好通过相等而不是通过正则表达式来检查字段的值：

awk '
    NR==1 {print; next}
    {check0 = check1 = check2 = 0}
    $5 == "T"              {check0 = 1}
    $5 == "T" && $6 == "C" {check1 = 1}
    $6 == "C" || $6 == "A" {check2 = 1}
    {
        for (idx=7; idx <= NF; idx++)
            if      (check0 && $idx == 0) $idx = "T T"
            else if (check1 && $idx == 1) $idx = "T C"
            else if (check2 && $idx == 2) $idx = $6 " " $6
            else if ($idx == -1)          $idx = "? ?"
        print
    }
'