awk中唯一文本的计数不正确

我使用下面的

awk

得到了错误的计数。应计算

-

之前

$5

中的唯一文本

输入

chr1    955543  955763  chr1:955543-955763  AGRN-6|gc=75    1   15
chr1    955543  955763  chr1:955543-955763  AGRN-6|gc=75    2   16
chr1    955543  955763  chr1:955543-955763  AGRN-6|gc=75    3   16
chr1    1267394 1268196 chr1:1267394-1268196    TAS1R3-46|gc=68.2   553 567
chr1    1267394 1268196 chr1:1267394-1268196    TAS1R3-46|gc=68.2   554 569
chr1    9781175 9781316 chr1:9781175-9781316    PIK3CD-276|gc=63.1  46  203
chr1    9781175 9781316 chr1:9781175-9781316    PIK3CD-276|gc=63.1  47  206
chr1    9781175 9781316 chr1:9781175-9781316    PIK3CD-276|gc=63.1  48  206
chr1    9781175 9781316 chr1:9781175-9781316    PIK3CD-276|gc=63.1  49  207

1

电流输出

chr1    955543  955763  chr1:955543-955763  AGRN-6|gc=75    1   15
chr1    955543  955763  chr1:955543-955763  AGRN-6|gc=75    2   16
chr1    955543  955763  chr1:955543-955763  AGRN-6|gc=75    3   16
chr1    1267394 1268196 chr1:1267394-1268196    TAS1R3-46|gc=68.2   553 567
chr1    1267394 1268196 chr1:1267394-1268196    TAS1R3-46|gc=68.2   554 569
chr1    9781175 9781316 chr1:9781175-9781316    PIK3CD-276|gc=63.1  46  203
chr1    9781175 9781316 chr1:9781175-9781316    PIK3CD-276|gc=63.1  47  206
chr1    9781175 9781316 chr1:9781175-9781316    PIK3CD-276|gc=63.1  48  206
chr1    9781175 9781316 chr1:9781175-9781316    PIK3CD-276|gc=63.1  49  207

1

所需输出（AGRN、TAS1R3、PIK3CD）是唯一的且已计数

3

awk

awk -F '[- ]' '!seen[$6]++ {n++} END {print n}' file

试一试

您的问题是当

'

（一个空格）作为正则表达式的一部分被包含以形成

FS

（通过

-F

）时，它将丢失其特殊的默认值行为，并且仅将空格作为分隔符单独匹配。 也就是说，将空白（空格和制表符的任意组合）识别为单个分隔符的默认行为不再适用

因此，

[-]

不能用作字段分隔符，因为它将相邻空格之间的空字符串识别为空字段

您可以通过打印字段计数来验证这一点-根据您想要的解析，您需要9个字段：

$ awk -F '[- ]' '{ print NF }' file
17  # !! 8 extra fields - empty fields

$ awk -F '-| +' '{ print NF }' file
9   # OK, thanks to modified regex

需要交替

-|+

以确保将空格的运行视为单个分隔符；如果制表符也应该匹配，那么在某些情况下，在FS中使用

'-|[：blank:][]+'

在FS中包含“-”可能很好，但一般来说，如果实际的字段分隔符是其他内容（例如，此处的空格，或者制表符），则根据文件格式的规范设置FS会更好。在任何情况下，提取感兴趣的子字段都很容易。在下面，我将假设FS是空白

awk '{split($5, a, "-"); if (!(count[a[1]]++)) n++ }
     END {print n}'

如果您需要详细信息：

awk '{split($5, a, "-"); count[a[1]]++}
     END { for(i in count) {print i, count[i]}}'

第二个咒语的输出：

AGRN 3
PIK3CD 4
TAS1R3 2

---

我得到了

3

。您使用的是哪个版本的

awk

？@hek2mgl:

3

是巧合（描述的症状与样本数据不匹配）；正在计算另一个字段，因为字段分隔符regex不能按预期工作。