☰

文字列の抽出、検索、置換、または抽出された値を含む長い文字列を保持する

tag-icon • tag-icon sed search replace
文字列の抽出、検索、置換、または抽出された値を含む長い文字列を保持する

編集する必要がある入力ファイルは次のとおりです（より多くの行がある場合があります）。

bundle_id   target_id   length  eff_length  tot_counts  uniq_counts est_counts  eff_counts  ambig_distr_alpha   ambig_distr_beta    fpkm    fpkm_conf_low   fpkm_conf_high  solvable    tpm
1   intron_FBgn0035847:4_FBgn0035847:3  61  0   0   0   0   0   0.00E+00    0.00E+00    0.00E+00    0.00E+00    0.00E+00    F   0.00E+00
2   intron_FBgn0032515:2_FBgn0032515:4  72  0   0   0   0   0   0.00E+00    0.00E+00    0.00E+00    0.00E+00    0.00E+00    F   0.00E+00
3   intron_FBgn0266486:5_FBgn0266486:4  58  0   0   0   0   0   0.00E+00    0.00E+00    0.00E+00    0.00E+00    0.00E+00    F   0.00E+00
4   intron_FBgn0031359:10_FBgn0031359:7 4978    1430.739479 91  0   30.333333   105.539363  1.00E+00    1.00E+00    6.30E+00    1.77E+00    1.08E+01    F   1.42E+01
4   intron_FBgn0031359:10_FBgn0031359:8 4978    1430.739479 91  0   30.333333   105.539363  1.00E+00    1.00E+00    6.30E+00    1.77E+00    1.08E+01    F   1.42E+01
4   intron_FBgn0031359:10_FBgn0031359:9 4978    1430.739479 91  0   30.333333   105.539363  1.00E+00    1.00E+00    6.30E+00    1.77E+00    1.08E+01    F   1.42E+01
536 intron_CR31143:1_CR31143:2  40  0   0   0   0   0   0.00E+00    0.00E+00    0.00E+00    0.00E+00    0.00E+00    F   0.00E+00

2番目の列の各IDについてIntron_XXXXXXXX:X_XXXXXXXX:Xの間の文字列を抽出したいイントロン_そして最初:（文字列の間は通常FBgnで始まりますが、必ずしもそうではありません）。

次に、次のリストがあります。FBGNそしてFBgnを変換したいその名前を持つ別の列：

## FlyBase Gene Mapping Table   
## Generated: Fri Dec 20 12:37:29 2013  
## Using datasource: dbi:Pg:dbname=fb_2014_01_reporting;host=flysql9;port=5432...   
FBgn0035847 mthl7
FBgn0032515 loqs
FBgn0266486 CG45085
FBgn0031359 CG18317

次に、リストの最初の列から抽出された文字列を検索したいと思います。

抽出された文字列の2番目の列にその値がある場合は、ID全体を置き換えたいと思います。Intron_FBgnXXXXXX:X_FBgnXXXXXX:X2番目の列には対応する名前があります。

抽出された文字列が最初の列に存在しない場合は、ID全体を置き換えたいと思います。Intron_XXXXXXXX:X_XXXXXXXX:X抽出された文字列として。

次のスクリプトがあります。

ref="gene_map_table_fb_2014_01_short.tsv"
target="HC25_LNv_ZT02_intron_results.txt"
output="temptemp.txt"

declare -A map
while read line
do
if [[ ! -z "$line" ]] && [[ ! "$line" =~ ^#.* ]]
then
key=$(echo "$line" | cut -f 1)
value=$(echo "$line" | cut -f 2)
map[$key]=$value
fi
done < $ref

while read line
do
  key=$(echo "$line" | sed -n 's/.*_\([^\.]*\)\:.*/\1/p' | head -1)
if [ ! -z "$key" ]
then
  echo "$line" | sed 's/intron_[^[:space:]]*/'${map[$key]}'/g' >> $output
else
  echo "$line" | sed 's/intron_[^[:space:]]*/'$key'/g' >> $output
fi
done < $target

出力ファイルにFBgnで始まらないIDを含む行が欠落していることを除いて、すべてがうまくいくようです。

答え1

できます：

cat gene_map_table_fb_2014_01_short.tsv  |sed '1d' |awk {'print $2'} |awk 'BEGIN{FS=":"} {print $2}' |sed s/._//g

最初にファイルを分類し、最初の行（d1を含む列ヘッダー）を削除し、すべての列を印刷してから区切り、4_FBgn0035847削除します。awk 'BEGIN{FS=":"} {print $2}'number_sed s/._//g

出力は次のとおりです

FBgn0035847
FBgn0032515
FBgn0266486
1FBgn0031359
1FBgn0031359
1FBgn0031359
CR31143

ただし、終了行が重複して削除される場合は、次のことができます。

cat gene_map_table_fb_2014_01_short.tsv  |sed '1d' |awk {'print $2'} |awk 'BEGIN{FS=":"} {print $2}' |sed s/._//g |sed '$d'

したがって、出力は次のようになります。

FBgn0035847
FBgn0032515
FBgn0266486
1FBgn0031359
1FBgn0031359
1FBgn0031359

答え2

使用awk

これにより、タブ区切りの出力が生成されます。

$ awk -v OFS="\t" 'NR==FNR{a[$1]=$2;next} FNR==1{print;next} {sub(/intron_/, "", $2); sub(/:.*/,"",$2);if ($2 in a) $2=a[$2];print}' gene_map_table_fb_2014_01_short.tsv HC25_LNv_ZT02_intron_results.txt
bundle_id   target_id   length  eff_length  tot_counts  uniq_counts est_counts  eff_counts  ambig_distr_alpha   ambig_distr_beta    fpkm    fpkm_conf_low   fpkm_conf_high  solvable    tpm
1       mthl7   61      0       0       0       0       0       0.00E+00        0.00E+00        0.00E+00        0.00E+00        0.00E+00        F       0.00E+00
2       loqs    72      0       0       0       0       0       0.00E+00        0.00E+00        0.00E+00        0.00E+00        0.00E+00        F       0.00E+00
3       CG45085 58      0       0       0       0       0       0.00E+00        0.00E+00        0.00E+00        0.00E+00        0.00E+00        F       0.00E+00
4       CG18317 4978    1430.739479     91      0       30.333333       105.539363      1.00E+00        1.00E+00        6.30E+00        1.77E+00        1.08E+01        F       1.42E+01
4       CG18317 4978    1430.739479     91      0       30.333333       105.539363      1.00E+00        1.00E+00        6.30E+00        1.77E+00        1.08E+01        F       1.42E+01
4       CG18317 4978    1430.739479     91      0       30.333333       105.539363      1.00E+00        1.00E+00        6.30E+00        1.77E+00        1.08E+01        F       1.42E+01
536     CR31143 40      0       0       0       0       0       0.00E+00        0.00E+00        0.00E+00        0.00E+00        0.00E+00        F       0.00E+00

説明する：

  • -v OFS="\t"

    これにより、出力フィールド区切り文字がタブになります。

  • NR==FNR{a[$1]=$2;next}

    aこれにより、コマンドラインの最初のファイルに基づいて、最初の列がキーで2番目の列が値である連想配列が作成されます。このnextコマンドは、awk残りのコマンドをスキップして次の行に移動するように指示します。

    マッピングファイルにはいくつかのコメント行が含まれています。if配列に追加されないように、追加の文を簡単に追加できますa。しかし、無害なので、この複雑な問題はスキップされます。

  • FNR==1{print;next}

    これにより、ヘッダー行が変更されずに印刷されます。

  • {sub(/intron_/, "", $2); sub(/:.*/,"",$2)

    これにより、2番目のフィールドの余分な内容が削除され、必要な文字列だけが残ります。

  • `もし($2 in a)$2=a[$2]

    2番目のフィールドの文字列が配列のキーとして存在する場合は、aその値を置き換えます。

  • print

    変更された行が印刷されます。

使用bash

スクリプトからの置き換え

if [ ! -z "$key" ]

そして：

if [[ "$key" && "${map[$key]}" ]]

この時点ですべてのスクリプトが知っておくべきkeyことはmap。修正されたテストでは空でないことをkey確認するだけでなく、map。

この変更後、次のような結果が得られました。

$ cat temptemp.txt 
bundle_id   target_id   length  eff_length  tot_counts  uniq_counts est_counts  eff_counts  ambig_distr_alpha   ambig_distr_beta    fpkm    fpkm_conf_low   fpkm_conf_high  solvable    tpm
1       mthl7   61      0       0       0       0       0       0.00E+00        0.00E+00        0.00E+00        0.00E+00        0.00E+00        F       0.00E+00
2       loqs    72      0       0       0       0       0       0.00E+00        0.00E+00        0.00E+00        0.00E+00        0.00E+00        F       0.00E+00
3       CG45085 58      0       0       0       0       0       0.00E+00        0.00E+00        0.00E+00        0.00E+00        0.00E+00        F       0.00E+00
4       CG18317 4978    1430.739479     91      0       30.333333       105.539363      1.00E+00        1.00E+00        6.30E+00        1.77E+00        1.08E+01        F       1.42E+01
4       CG18317 4978    1430.739479     91      0       30.333333       105.539363      1.00E+00        1.00E+00        6.30E+00        1.77E+00        1.08E+01        F       1.42E+01
4       CG18317 4978    1430.739479     91      0       30.333333       105.539363      1.00E+00        1.00E+00        6.30E+00        1.77E+00        1.08E+01        F       1.42E+01
536     CR31143 40      0       0       0       0       0       0.00E+00        0.00E+00        0.00E+00        0.00E+00        0.00E+00        F       0.00E+00

aside でtextnull でない場合は[ ! -z "$key" ]true を返します。keyこれは[ -n "$key" ]一般的なテストなので、より短縮できます[ "$key" ]。これはbashスクリプトの数行を単純化するために使用できます。

関連情報