使用shell脚本解析数据。(分拣/uniq/grep)
我想在strand(第8列)和tss(第5列)的基础上检索每个ref基因(第7列)的uniq count(第4列)行。 如果一个ref基因的计数数相同,并且它位于负链上,则保持该行具有最高tss,同样 如果一个ref基因的计数数相同,并且它位于正链上,则保持该行tss最低 我正在处理以下格式的dat:使用shell脚本解析数据。(分拣/uniq/grep),shell,parsing,for-loop,Shell,Parsing,For Loop,我想在strand(第8列)和tss(第5列)的基础上检索每个ref基因(第7列)的uniq count(第4列)行。 如果一个ref基因的计数数相同,并且它位于负链上,则保持该行具有最高tss,同样 如果一个ref基因的计数数相同,并且它位于正链上,则保持该行tss最低 我正在处理以下格式的dat: CHR TSS-25bp TSS+25bp count tss Ensemble transcript refgene strand chr15 79554474 795
CHR TSS-25bp TSS+25bp count tss Ensemble transcript refgene strand
chr15 79554474 79554524 2 79554499 ENSMUST00000089311 Sun2 -
chr15 79554475 79554525 2 79554500 ENSMUST00000100439 Sun2 -
chr15 79554477 79554527 2 79554502 ENSMUST00000046259 Sun2 -
chr15 79569054 79569104 1 79569079 ENSMUST00000159660 Sun2 -
chr15 79570243 79570293 4 79570268 ENSMUST00000160355 Sun2 -
chr17 44914075 44914125 2 44914100 ENSMUST00000050630 Supt3h +
chr17 44914248 44914298 3 44914273 ENSMUST00000130623 Supt3h +
chr17 44914319 44914369 3 44914344 ENSMUST00000127798 Supt3h +
chr11 87551028 87551078 2 87551053 ENSMUST00000152700 Supt4h1 +
chr11 87551029 87551079 2 87551054 ENSMUST00000141169 Supt4h1 +
chr7 29099891 29099941 2 29099916 ENSMUST00000003527 Supt5h -
chr11
78020504 78020554 3 78020529 ENSMUST00000108314 Supt6h -
我希望输出中会出现以下情况:
CHR TSS-25bp TSS+25bp count tss Ensemble transcript refgene strand
chr15 79554477 79554527 2 79554502 ENSMUST00000046259 Sun2 -
chr15 79569054 79569104 1 79569079 ENSMUST00000159660 Sun2 -
chr15 79570243 79570293 4 79570268 ENSMUST00000160355 Sun2 -
chr17 44914075 44914125 2 44914100 ENSMUST00000050630 Supt3h +
chr17 44914248 44914298 3 44914273 ENSMUST00000130623 Supt3h +
chr11 87551028 87551078 2 87551053 ENSMUST00000152700 Supt4h1 +
chr7 29099891 29099941 2 29099916 ENSMUST00000003527 Supt5h -
chr11 78020504 78020554 3 78020529 ENSMUST00000108314 Supt6h -
到目前为止我有这个
#!/bin/bash
example=Workbook4.txt
for gene in `cut -f7 example | uniq`
do
sign=`grep $gene example | cut -f8 | uniq`
for count in `grep $gene example | cut -f4 | sort | uniq`
do
if [ "$sign" == "-" ]
then
grep $gene example | grep $count example | sort -k5 | head -1 ----
else
grep $gene example | grep $count example | sort -k5 | tail -1 ----
done
break
done
我不确定用黑体字的那个。如果你能帮我解决这个问题就太好了 这似乎给出了您想要的输出:
awk '
NR==1 {print; next}
{key = $4 SUBSEP $7 SUBSEP $8}
!(key in line) || ($8 == "-" && $5 > tss[key]) || ($8 == "+" && $5 < tss[key]) {
line[key] = $0
tss[key] = $5
}
END {for (key in line) print line[key]}
' file
非常感谢你。这正是我想要的!!欢迎来到StackOverflow。如果我更改了逻辑,您可能会想通读代码发生了什么。我现在感兴趣的是检索每个ref基因(第7列)都有最大计数(第4列)的命中。如果该特定基因的计数相同,则保留tss最低的基因(第5列),如果是+(第8列),保留tss最高的基因(第5列),如果是-(第8列)。轻率地说,如果更改逻辑,代码也必须更改。我的回答中有你不明白的部分吗?如果我们解决了这个问题,您应该能够自己修改代码。“教一个人钓鱼……”只是我没用过这么大的awk命令。没想到我们也可以这样设置变量子集。
CHR TSS-25bp TSS+25bp count tss Ensemble transcript refgene strand
chr11 78020504 78020554 3 78020529 ENSMUST00000108314 Supt6h -
chr15 79569054 79569104 1 79569079 ENSMUST00000159660 Sun2 -
chr15 79554477 79554527 2 79554502 ENSMUST00000046259 Sun2 -
chr17 44914248 44914298 3 44914273 ENSMUST00000130623 Supt3h +
chr17 44914075 44914125 2 44914100 ENSMUST00000050630 Supt3h +
chr15 79570243 79570293 4 79570268 ENSMUST00000160355 Sun2 -
chr11 87551028 87551078 2 87551053 ENSMUST00000152700 Supt4h1 +
chr7 29099891 29099941 2 29099916 ENSMUST00000003527 Supt5h -