bash - awk:如何在一行中比较两个字符串

Question

我有一个包含 20000 个探针的数据集，它们位于两列中，每列 21nts。从这个文件中，我需要提取 Probe1 列中的最后一个核苷酸与 Probe 2 列中的最后一个核苷酸相匹配的行。到目前为止，我尝试了 AWK (substr) 函数，但没有得到预期的结果。这是我试过的单行代码:

awk '{if (substr($2,21,1)==substr($4,21,1)){print $0}}'

另一种选择是锚定第 2 列和第 4 列中的最后一个字符 (awk '$2~/[A-Z]$/)，但我找不到一种方法来匹配两个中的探针使用正则表达式的列。非常感谢所有建议和意见。

数据集示例:

        Probe 1                     Probe 2
4736    GGAGGAAGAGGAGGCGGAGGA   A   GGAGGACGAGGAGGAGGAGGA
4737    GGAGGAAGAGGAGGGAGAGGG   B   GGAGGACGAGGAGGAGGAGGG
4738    GGAGGATTTGGCCGGAGAGGC   C   GGAGGAGGAGGAGGACGAGGT
4739    GGAGGAAGAGGAGGGGGAGGT   D   GGAGGACGAGGAGGAGGAGGC
4740    GGAGGAAGAGGAGGGGGAGGC   E   GGAGGAGGAGGACGAGGAGGC

期望的输出:

4736    GGAGGAAGAGGAGGCGGAGGA   A   GGAGGACGAGGAGGAGGAGGA
4737    GGAGGAAGAGGAGGGAGAGGG   B   GGAGGACGAGGAGGAGGAGGG
4740    GGAGGAAGAGGAGGGGGAGGC   E   GGAGGAGGAGGACGAGGAGGC

Answer 1

这将过滤输入，匹配第 2 列的最后一个字符等于第 4 列的最后一个字符的行:

awk 'substr($2, length($2), 1) == substr($4, length($4), 1)'

与您的示例脚本相比，我所做的更改:

• 将 if 语句从 { ... } block 移到过滤器中
• 使用 length($2) 和 length($4) 而不是硬编码值 21
• 不需要 { print $0 }，因为这是匹配行的默认操作