☰

awkを使用して1つのフィールドがしきい値より小さいCSVファイルの行のみを選択する

tag-icon • tag-icon bash text-processing awk csv
awkを使用して1つのフィールドがしきい値より小さいCSVファイルの行のみを選択する

多くの（10000+）行を含む複数列のcsvファイルの後処理：

ID(Prot), ID(lig), ID(cluster), dG(rescored), dG(before), POP(before)
9000, lig662, 1, 0.421573, -7.8400, 153
10V2, lig807, 1, 0.42692, -8.0300, 149
3000, lig158, 1, 0.427342, -8.1900, 147
3001, lig158, 1, 0.427342, -8.1900, 147
10V2, lig342, 1, 0.432943, -9.4200, 137
10V1, lig807, 1, 0.434338, -8.0300, 147
4000, lig236, 1, 0.440377, -7.3200, 156
10V1, lig342, 1, 0.441205, -9.4200, 135
4000, lig497, 1, 0.442088, -7.7900, 148
9000, lig28, 1, 0.442239, -7.5200, 152
3001, lig296, 1, 0.444512, -7.8900, 146
10V2, lig166, 1, 0.447681, -7.1500, 157
....
4000, lig612, 1, 0.452904, -7.0200, 158
9000, lig123, 1, 0.461601, -6.8000, 160
10V1, lig166, 1, 0.463963, -7.1500, 152
10V1, lig369, 1, 0.465029, -7.3600, 148

今まで何をしたのか

awkbashCSVから1％（一番上の行）を取得し、新しいCSV（したがって減少した行数を含む）として保存する関数に組み込まれている次のコードを使用しています。

take_top44 () {
    # Take the top lines from the initial CSV
    awk -v lines="$(wc -l < original.csv)" '
    BEGIN{
      top=int(lines/100)
    }
    FNR>(top){exit}
    1
    ' original.csv >> csv_with_top_lines.csv
}

私が今やりたいこと

awk元のCSVにより選択的なフィルタを適用するには、コードをどのように変更する必要がありますか？たとえば、4番目の列（in）の値（浮動小数点数）に基づいてデータをフィルタリングしますdG(rescored)。

minForth = 0.421573たとえば、最も低い値（常に2行目）を参照として使用し、選択したしきい値（たとえば20％を超える）$4より小さいCSVのすべての行を印刷する必要があります。minForth

$4<=(1+0.2)*min))'

答え1

4番目のフィールドがしきい値未満のすべての行のみをフィルタリングするには、awk次のコマンドを使用できます。

awk -F',' -v margin=0.2 'FNR==2 {min=$4} FNR>1&&($4<=(1+margin)*min)' input.csv

または、フィルタリングされた出力にヘッダーを含めたい場合：

awk -F',' -v margin=0.2 'FNR==2 {min=$4} FNR==1||($4<=(1+margin)*min)' input.csv

これにより、フィールド区切り文字がに設定されます,（ただし、フィールドを区切る余分なスペースがあるため、ファイルは非標準CSVであることに注意してください）、margin値を持つ変数をプログラム0.2にインポートします。awk

プログラム内でmin2行（）にある場合は、FNR==2変数の値を4列の値に設定します。行1（ヘッダー - 必要な場合）にある場合、またはファイルのデータセクションにあり、4番目のフィールドが1+margin最小値の倍数より小さい場合は、現在の行のみを印刷します。

答え2

これはやや長いスクリプトです。ショートカットを使用せずに、情報をstderr.sh部分には通常、オプションとともに呼び出すことができるように、上部に「Globals」値を設定するオプションを追加できます。買収に。つまり：

my_script --max-factor 0.15 -p 20 --out-file foo.csv *.csv

したがって、rescored行とパーセンテージをフィルタリングするだけです。長い部分は当然除去できます。

#!/bin/sh

# Globals with defaults set
num_lines=0
max_percent_lines=10
max_factor=0.2

fn_in=""
# Default out. Optionally set to another file.
fn_out=/dev/stdout
# As /dev/null to quiet information
fn_err=/dev/stderr

get_num_lines()
{
    num_lines=$(wc -l< "$1")
}
print_filtered()
{
    awk \
    -v num_lines="$num_lines" \
    -v max_percent_lines="$max_percent_lines" \
    -v max_factor="$max_factor" \
    -v fn_err="$fn_err" \
    '
    BEGIN {
        FS=", "
        # Exclude header
        max_line = (1 + num_lines / 100 * max_percent_lines)
        # Truncate
        max_line -= max_line % 1
        printf "Lines       : %d\n",
            num_lines - 1 >>fn_err
        printf "Line Max    : %d (%d%%)\n",
            max_line, max_percent_lines >>fn_err
    }
    NR == 2 {
        max_rescored = ($4 + $4 * max_factor)
        printf "Rescored Max: %f\n", max_rescored >>fn_err
    }
    NR > 1 {
        print $0
    }
    NR >= max_line {
        printf "Max Line    : %d (Exit)\n", max_line >>fn_err
        exit
    }
    $4 >= max_rescored && NR > 2 {
        printf "Max Rescored: %f (Exit)\n", $4 >>fn_err
        exit
    }
    ' "$fn_in" >>"$fn_out"
}

# Here one could loop multiple input files

コマンドラインオプション

コメントでリクエストしたとおり。

これらのオプションを取得する方法はいくつかあります。最も簡単なのは位置パラメータです。たとえば、

Usage: script percent margin <files ...>

台本では、人々はこう言います。

percent=$1
margin=$2
shift
shift
... loop files ...

もっと華やかで柔軟にしたいなら、そうすることができます。

まずhelp関数を書いてください。似たようなものかもしれません。 （basenameの使用と議論可能）：$0

print_help() {
    printf "Usage: %s [OPTIONS] <FILES ...>\n" "$(basename "$0")"
    printf "\nSome description\n"
    printf "\nOPTIONS\n"
    printf "  -p --percent-lines  V  Print percent of file. Default %s\n" "$max_percent_lines"
    printf "  -r --max-factor     V  Max rescored increase. Default %s\n" "$max_factor"
    printf "  -o --out-file       V  Output file. Default stdout\n"
    printf "  -q --quiet             Silence information\n"
    printf "  -h --help              This help\n"
    printf "  --                     Everything after this is input files\n"
    printf "\nEverything after first unrecognized option is treated as a file.\n"
}

人々は通常、print_help >&2stdoutの代わりにstderrとして印刷するためにasを通して呼び出されます。

上記のhelp方法は準標準方式を使用します。-abcまたは は許可されませんが、--foo=123各オプションと引数はスペースで区切る必要があります。

あるいは、ふざけたいという意図はありません。同様の投稿を確認してください。

次に、スクリプトの残りの部分に対して簡単なエラーチェックを実行する簡単な方法は次のとおりです。


# While not empty
while ! [ -z "$1" ]; do
    case "$1" in
    -h|--help)
        print_help >&2
        exit 1
        ;;
    -p|--percent-lines)
        shift
        max_percent_lines="$1"
        ;;
    -r|--max-factor)
        shift
        max_factor="$1"
        ;;
    -o|--out-file)
        shift
        fn_out="$1"
        ;;
    -q|--quiet)
        fn_err="/dev/null"
        ;;
    --)
        break
        ;;
    *)
        break
        ;;
    esac
    # Next argument
    shift
done

if ! [ -r "$1" ]; then
    printf "Unable to read file: \`%s'\n" "$1" >&2
    exit 1
fi

# Print header from first file
head -n 1 "$1" >>"$fn_out"

for fn_in in "$@"; do
    printf "Processing '%s'\n" "$fn_in" >>"$fn_err"
    if ! [ -r "$1" ]; then
        printf "Unable to read file: \`%s'\n" "$1" >&2
        exit 1
    fi
    get_num_lines
    print_filtered
done

オプションに対してより多くの検証を実行できます。つまり、数値であるかどうかを確認するなどの操作を実行できます。

関連情報