Regex awk使用文件中的匹配字符串对总计进行计数和求和

我试图使用

awk

获取文件中每个匹配字符串的总长度和每个匹配的计数。

$5

中的匹配字符串是计数，每个

$3-$2

的总和是总长度。希望下面的

awk

是一个好的开始。谢谢：）

输入

chr1 1266716 1266926 chr1:1266716-1266926 TAS1R3
chr1 1267008 1267328 chr1:1267008-1267328 TAS1R3
chr1 1267394 1268196 chr1:1267394-1268196 TAS1R3
chr1 1268291 1268514 chr1:1268291-1268514 TAS1R3
chr1 1956371 1956503 chr1:1956371-1956503 GABRD
chr1 1956747 1956866 chr1:1956747-1956866 GABRD
chr1 1956947 1957187 chr1:1956947-1957187 GABRD
chr1 1220077 1220196 chr1:1220077-1220196 SCNN1D

TAS1R3 4 1555
GABRD 3 491
SCNN1D 1 119

SCNN1D 1 119
GABRD 3 240
TAS1R3 4 223 

所需输出

chr1 1266716 1266926 chr1:1266716-1266926 TAS1R3
chr1 1267008 1267328 chr1:1267008-1267328 TAS1R3
chr1 1267394 1268196 chr1:1267394-1268196 TAS1R3
chr1 1268291 1268514 chr1:1268291-1268514 TAS1R3
chr1 1956371 1956503 chr1:1956371-1956503 GABRD
chr1 1956747 1956866 chr1:1956747-1956866 GABRD
chr1 1956947 1957187 chr1:1956947-1957187 GABRD
chr1 1220077 1220196 chr1:1220077-1220196 SCNN1D

TAS1R3 4 1555
GABRD 3 491
SCNN1D 1 119

SCNN1D 1 119
GABRD 3 240
TAS1R3 4 223 

awk

awk '{count[$5]++}
END {
  for (word in count)
    print $1,$2,$3,$4,word, count[word]
}' input > count | 
awk 'print $1,$2,$3,$4,word, count[word]
}
{ $6 = $3 - $2 }
1' count.txt > length

编辑

chr1 1266716 1266926 chr1:1266716-1266926 TAS1R3
chr1 1267008 1267328 chr1:1267008-1267328 TAS1R3
chr1 1267394 1268196 chr1:1267394-1268196 TAS1R3
chr1 1268291 1268514 chr1:1268291-1268514 TAS1R3
chr1 1956371 1956503 chr1:1956371-1956503 GABRD
chr1 1956747 1956866 chr1:1956747-1956866 GABRD
chr1 1956947 1957187 chr1:1956947-1957187 GABRD
chr1 1220077 1220196 chr1:1220077-1220196 SCNN1D

TAS1R3 4 1555
GABRD 3 491
SCNN1D 1 119

SCNN1D 1 119
GABRD 3 240
TAS1R3 4 223 

使用awk，可以在一个脚本中完成整个任务， 通过保持累积长度和每个单词的实例数的运行计数

尝试以下方法（尚未测试）：

---

原始脚本有三个错误

第二个

awk

块有一个模棱两可的输入规范：从管道读取数据和一个文件参数（

count.txt

）。在这种情况下，awk无法决定从何处读取

在

结束

部分中，编号字段将仅指读取的最后一行/记录的字段。这不是你想要的

最后，第二个awk脚本缺少print语句的大括号

{

使用awk，可以在一个脚本中完成整个任务， 通过保持累积长度和每个单词的实例数的运行计数

尝试以下方法（尚未测试）：

---

原始脚本有三个错误

第二个

awk

块有一个不明确的输入规范：从管道读取和一个文件参数（

count.txt

）。在这种情况下，awk无法决定从何处读取

在

结束

部分中，编号字段将仅指上次读取的行/记录的字段。这不是您想要的

最后，第二个awk脚本缺少print语句的大括号

{

你可以做：

awk '{c1[$5]++; c2[$5]+=($3-$2)} 
     END{for (e in c1) print e, c1[e], c2[e]}' input

请注意，记录的顺序可能与原始文件中的顺序不同。

您可以执行以下操作：

awk '{c1[$5]++; c2[$5]+=($3-$2)} 
     END{for (e in c1) print e, c1[e], c2[e]}' input

$ cat tst.awk
$5 != prev { if (NR>1) print prev, cnt, sum; prev=$5; cnt=sum=0 }
{ cnt++; sum+=($3-$2) }
END { print prev, cnt, sum }

$ awk -f tst.awk file
TAS1R3 4 1555
GABRD 3 491
SCNN1D 1 119

---

请注意，记录的顺序可能与原始文件中的顺序不同。

awk为文件中的匹配字符串生成正确的计数，但似乎仅使用匹配中的最后一条记录作为长度……我在编辑中添加了输出。谢谢：）。awk生成正确的计数对于文件中的匹配字符串，但似乎仅使用匹配中的最后一条记录作为长度…我在编辑中添加了输出。谢谢：）。只需知道，如果顺序与文件顺序相同--这是巧合。Awk数组无序。为什么写入

print e FS c1[e]FS c2[e]

而不是

print e，c1[e]，c2[e]

？为什么

c2[$5]+=$3；c2[$5]=$2

而不是

c2[$5]+=（$3-$2）

？@EdMorton:我想就是今天早上它从我的键盘上滚下来的样子。编辑过的…只要知道如果顺序与文件顺序相同--这是巧合的。Awk数组是无序的。为什么写

print e FS c1[e]FS c2[e]

而不是

打印e，c1[e]，c2[e]

？为什么

c2[$5]+=$3；c2[$5]=$2

而不是

c2[$5]+=（$3-$2）

？@EdMorton:我想这就是今天早上我键盘上的方式。编辑…这只在文件按$5分块排序时有效，对吗？对。希望OP不会在他/她的示例中显示有序输入，如果这不是他们真正拥有的。这只在文件按$5分块排序时有效，对吗？对。希望OP会ldn如果他们的示例中没有顺序输入，则不显示该示例中的顺序输入。

$ cat tst.awk
$5 != prev { if (NR>1) print prev, cnt, sum; prev=$5; cnt=sum=0 }
{ cnt++; sum+=($3-$2) }
END { print prev, cnt, sum }

$ awk -f tst.awk file
TAS1R3 4 1555
GABRD 3 491
SCNN1D 1 119