linux - 如何在 awk 中使用多个操作来编辑文本文件

Question

我有一个像这个小例子的文本文件:

chr10:103909786-103910082   147 148 24  BA
chr10:103909786-103910082   149 150 11  BA
chr10:103909786-103910082   150 151 2   BA
chr10:103909786-103910082   152 153 1   BA
chr10:103909786-103910082   274 275 5   CA
chr10:103909786-103910082   288 289 15  CA
chr10:103909786-103910082   294 295 4   CA
chr10:103909786-103910082   295 296 15  CA
chr10:104573088-104576021   2925    2926    134 CA
chr10:104573088-104576021   2926    2927    10  CA
chr10:104573088-104576021   2932    2933    2   CA
chr10:104573088-104576021   58  59  1   BA
chr10:104573088-104576021   689 690 12  BA
chr10:104573088-104576021   819 820 33  BA

在此文件中有 5 个 制表符分隔 列。第一列被视为 ID。例如在第一行中，整个“chr10:103909786-103910082”是 ID。

1- 在第 1 步中，我想根据第 4 列过滤掉行。 如果 第 4 列中的数字小于 10 并且同一行中的 第 5 列中的组为 BA，则该行将被过滤掉。同样，如果第 4 列中的数字小于 5 且同一行中的第 5 列中的组为 CA，则该行将被过滤掉。

3- 第三步: 我想获取 4th column 中的数字比率。事实上，在 1st 列 中有代表相同 ID 的重复值。我想为每个 ID 获得一个比率，因此在输出中每个 ID 将只重复一次。每个 ID 在第 5 列 中都有 BA 和 CA。对于每个 ID 我应该分别为 CA 和 BA 获取 2 个值，并获取 CA/BA 的比例为每个 ID 的最终值。要获得一个值作为 CA，我应该将属于同一 ID 并归类为 CA 的 4th column 中的所有值相加 并获得一个值作为 BA，我应该将属于相同 ID 并分类的 4th column 中的所有值相加作为 BA。最后一步是获取每个 ID 的 CA/BA 比例。小示例的预期输出如下所示:

1-过滤后:

chr10:103909786-103910082   147 148 24  BA
chr10:103909786-103910082   149 150 11  BA
chr10:103909786-103910082   274 275 5   CA
chr10:103909786-103910082   288 289 15  CA
chr10:103909786-103910082   295 296 15  CA
chr10:104573088-104576021   2925    2926    134 CA
chr10:104573088-104576021   2926    2927    10  CA
chr10:104573088-104576021   689 690 12  BA
chr10:104573088-104576021   819 820 33  BA

2- 总结每组之后(CA 和BA):

chr10:103909786-103910082   147 148 35  BA
chr10:103909786-103910082   274 275 35  CA
chr10:104573088-104576021   2925    2926    144 CA
chr10:104573088-104576021   819 820 45  BA

3- 最终输出(这个比率是使用第 4 列中的值得出的):

chr10:103909786-103910082   1
chr10:104573088-104576021   3.2

在上面的行中，1 = 35/35 和 3.2 = 144/45。

我正尝试在 awk 中这样做

awk -F "\t" '{ (if($4 < -10 & $5==BA)), (if($4 < -5 & $5==CA)) ; print $2 = BA/CA} file.txt > out.txt

我尝试按照代码中提到的步骤进行操作，但没有成功。你知道如何解决这个问题吗？

Answer 1

如果具有相同ID的记录总是连续的，你可以这样做:

awk 'ID!=$1 {
         if (ID) {
             print ID, a["CA"]/a["BA"]; a["CA"]=a["BA"]=0;
         }
         ID=$1
     }
     $5=="BA" && $4>=10 || $5=="CA" && $4>=5 { a[$5]+=$4 }
     END{ print ID, a["CA"]/a["BA"] }' file.txt

第一个 block 测试 ID 是否已更改，在本例中，它显示以前的 ID 和比率。 第二个 block 过滤不需要的记录。 END block 显示最后一个 ID 的结果。