以下のような大きなファイルがあります。
chr10 98072 1
chr10 98073 1
chr10 98074 1
chr10 98075 2
chr10 98076 2
chr10 98077 3
chr10 98078 5
chr10 98079 5
chr11 98080 5
chr12 98081 5
各染色体には多くの項目があります。 chr10を含む行だけを抽出したいと思います。私のファイルが大きいので、このコマンドを使用してchr10行だけを抽出します。
awk '$1 ~ /^chr10$/{print}; $1 !~ /^chr10$/{exit}' cov.txt > subset.txt
awkがファイル全体を繰り返さないようにする良い方法ですか?私のファイルは染色体に従ってソートされました。
ありがとう
答え1
awk '$1=="chr10"{print; next}{exit}' cov.txt > subset.txt
テスト:/dev/null
次へリダイレクト12,947,909 chr10
レコードに加えて、いくつかのレコードをchr11
追加chr12
99,063,774行 - 出力はすべて同じです(同じmd5sum)。出力ライン数=12,947,909- 最も速いものから最も遅いものまで並べ替え:
スティーブ:awk '{ if($1 == "chr10") { print } else { exit } }' cov.txt >/dev/null
real 0m5.963s
user 0m5.896s
sys 0m0.064s
ピーターO:awk '$1=="chr10"{print; next}{exit}' cov.txt >/dev/null
real 0m6.553s
user 0m6.484s
sys 0m0.068s
コース:perl -pe '!/chr10/&&exit' cov.txt >/dev/null
real 0m8.658s
user 0m8.545s
sys 0m0.112s
スティーブ:sed -n '/^chr10[^0-9]/ { p; b; }; q' cov.txt >/dev/null
real 0m17.130s
user 0m17.077s
sys 0m0.052s
ユーザー 3138373:awk '$1 ~ /^chr10$/{print}; $1 !~ /^chr10$/{exit}' cov.txt >/dev/null
real 0m18.621s
user 0m18.541s
sys 0m0.080s
答え2
これを試してみてください。基本的なテストでは少し速いようです。正規表現の処理を避けてください。
[root@localhost tmp]# wc -l cov.txt
34970568 cov.txt
[root@localhost tmp]# time awk '$1 ~ /^chr10$/{print}; $1 !~ /^chr10$/{exit}' cov.txt > subset.txt
real 0m23.897s
user 0m22.031s
sys 0m1.556s
[root@localhost tmp]# time awk '{ if($1 == "chr10") { print } else { exit } }' cov.txt > subset.txt
real 0m16.784s
user 0m14.731s
sys 0m1.661s
[root@localhost tmp]#
また、lcd047タイミングのsedメソッドを試しました。
[root@localhost tmp]# time sed -n '/^chr10[^0-9]/ { p; b; }; q' cov.txt > subset.txt
real 0m38.343s
user 0m36.609s
sys 0m1.546s
[root@localhost tmp]#
ファイル全体を読み取っても、通常の古いgrepを使用するのが最速です。
[root@localhost tmp]# time grep "^chr10" cov.txt >subset.txt
real 0m6.546s
user 0m4.932s
sys 0m1.577s
[root@localhost tmp]#
私はgrep -Fが再び速くなると思いましたが、そうではありません。 7秒以上続きます。
[root@localhost tmp]# time grep -F chr10 cov.txt >subset.txt
real 0m7.317s
user 0m6.109s
sys 0m1.173s
[root@localhost tmp]#
答え3
より効率的に以下を実行してくださいegrep
。
egrep '^chr10{space or tab}' cov.txt
または、コンテンツがあなたが表示しているものと似ている場合、
grep -w chr10 cov.txt
答え4
ファイルがソートされているのであなたのコメントPerl で始まる行はchr10
常にファイルの先頭にあります。
< cov.txt perl -pe '!/chr10/&&exit' > subset.txt
これにより、最初の不一致でスクリプトが終了します。
メモリに保存されている1,000,000の一致する行を持つファイルのchr10 98072 1
テスト実行(空のファイルに1,000,000回の行を追加した結果)はすぐに実行されます。
~/tmp$ < cov.txt wc -l
1000000
~/tmp$ time < cov.txt perl -pe '!/chr10/&&exit' > subset.txt
real 0m0.631s
user 0m0.624s
sys 0m0.004s
~/tmp$ < subset.txt wc -l
1000000