Bash awk中的Uniq;使用awk删除列中的重复值
我有一个大数据文件,格式如下:Bash awk中的Uniq;使用awk删除列中的重复值,bash,awk,unique,Bash,Awk,Unique,我有一个大数据文件,格式如下: ENST00000371026 WDR78,WDR78,WDR78, WD repeat domain 78 isoform 1,WD repeat domain 78 isoform 1,WD repeat domain 78 isoform 2, ENST00000371023 WDR32 WD repeat domain 32 isoform 2 ENST00000400908 RERE,KIAA0458, atrophin-1 like prote
ENST00000371026 WDR78,WDR78,WDR78, WD repeat domain 78 isoform 1,WD repeat domain 78 isoform 1,WD repeat domain 78 isoform 2,
ENST00000371023 WDR32 WD repeat domain 32 isoform 2
ENST00000400908 RERE,KIAA0458, atrophin-1 like protein isoform a,Homo sapiens mRNA for KIAA0458 protein, partial cds.,
这些列以制表符分隔。列中的多个值以逗号分隔。我想删除第二列中的重复值,以产生如下结果:
ENST00000371026 WDR78 WD repeat domain 78 isoform 1,WD repeat domain 78 isoform 1,WD repeat domain 78 isoform 2,
ENST00000371023 WDR32 WD repeat domain 32 isoform 2
ENST00000400908 RERE,KIAA0458 atrophin-1 like protein isoform a,Homo sapiens mRNA for KIAA0458 protein, partial cds.,
我尝试了下面的代码,但似乎没有删除重复的值
awk '
BEGIN { FS="\t" } ;
{
split($2, valueArray,",");
j=0;
for (i in valueArray)
{
if (!( valueArray[i] in duplicateArray))
{
duplicateArray[j] = valueArray[i];
j++;
}
};
printf $1 "\t";
for (j in duplicateArray)
{
if (duplicateArray[j]) {
printf duplicateArray[j] ",";
}
}
printf "\t";
print $3
}' knownGeneFromUCSC.txt
如何才能正确删除第2列中的重复项?对不起,我知道您询问了awk。。。但是Perl使这变得简单得多:
$ perl -n -e ' @t = split(/\t/);
%t2 = map { $_ => 1 } split(/,/,$t[1]);
$t[1] = join(",",keys %t2);
print join("\t",@t); ' knownGeneFromUCSC.txt
由于
NR==2
,脚本仅作用于文件中的第二条记录(行)。我把它拿了出来,但这可能是你想要的。如果是这样,你应该把它放回去
中的操作符检查是否存在索引,而不是值,因此我创建了duplicateArray
关联数组*,它使用valueArray
中的值作为索引。这样就不必在循环中的循环中迭代两个数组
split
语句将“WDR78,WDR78,WDR78”视为四个字段,而不是三个字段,因此我添加了一个if
,以防止打印空值,如果if
不存在,则会打印“WDR78”
*实际上,AWK中的所有数组都是关联的
Pure Bash 4.0(一个关联数组):
declare-一部分#一行的一部分
声明-a第2部分#第2部分。柱
声明-用于记住第2部分中项目的检查
读行时;做
part=($line)#使用空格分隔行
如果s=','#分隔符为逗号
第二部分=(${part[1]})第二部分。使用逗号的列
如果[${第2部分[@]}-gt 1];然后#2个字段中有1个以上字段。专栏?
检查=()#空检查数组
new2=''#清空new2。柱
对于${part2[@]}中的项目;做
((勾选[$item]+)#记住2中的项目。柱
如果[${check[$item]}-eq 1];那么,还没看到吗?
new2=$new2,$item#添加到新2。柱
fi
完成
第[1]部分=${new2#,}#删除前导逗号
fi
IFS=$'\t'#输出的分隔符
回显“${part[*]}”#重建行
完成<“$infle”
Perl:
perl -F'\t' -lane'
$F[1] = join ",", grep !$_{$_}++, split ",", $F[1];
print join "\t", @F; %_ = ();
' infile
awk:
awk-F'\t''{
n=拆分($2,t,“,”);_2=x
拆分(x,#如果支持,请使用删除
对于(i=0;++i+1)非常感谢您的回答。这个解决方案比我的好。但是我也很好奇为什么我的解决方案不起作用。出于这个原因,我会暂时保留设置一个可接受的答案。也许有人会知道如何在awk中执行此操作。
declare -a part # parts of a line
declare -a part2 # parts 2. column
declare -A check # used to remember items in part2
while read line ; do
part=( $line ) # split line using whitespaces
IFS=',' # separator is comma
part2=( ${part[1]} ) # split 2. column using comma
if [ ${#part2[@]} -gt 1 ] ; then # more than 1 field in 2. column?
check=() # empty check array
new2='' # empty new 2. column
for item in ${part2[@]} ; do
(( check[$item]++ )) # remember items in 2. column
if [ ${check[$item]} -eq 1 ] ; then # not yet seen?
new2=$new2,$item # add to new 2. column
fi
done
part[1]=${new2#,} # remove leading comma
fi
IFS=$'\t' # separator for the output
echo "${part[*]}" # rebuild line
done < "$infile"
perl -F'\t' -lane'
$F[1] = join ",", grep !$_{$_}++, split ",", $F[1];
print join "\t", @F; %_ = ();
' infile
awk -F'\t' '{
n = split($2, t, ","); _2 = x
split(x, _) # use delete _ if supported
for (i = 0; ++i <= n;)
_[t[i]]++ || _2 = _2 ? _2 "," t[i] : t[i]
$2 = _2
}-3' OFS='\t' infile