☰

문자열(부분 및 정확한)을 기반으로 필드 추출

tag-icon • tag-icon text-processing awk perl
문자열(부분 및 정확한)을 기반으로 필드 추출

전문가: 문자열(부분 및 정확한)을 기반으로 필드를 추출하고 싶습니다.일부 행에서 이러한 필드는 한 열 또는 두 열 이동되었습니다., 그래서 열을 지정할 수 없습니다(이것은 제가 아는 범위입니다). 또한 필드 1, 2, 4, 5를 추출해야 하지만 이는 행마다 변경되지 않으므로 직접 수행할 수 있습니다.

특히 부분 문자열 "DP4=" 및 "와 같은 문자열이 일치하는 필드쉬움"왼쪽 및 오른쪽 필드 추가:

입력하다:

NW_006532014.1  603822  .       T       C       222.0   .       DP=103  ADF=30,22       ADR=13,16       AD=43,38        VDB=0.0570121   SGB=-0.693143   RPB=0.810487    MQB=0.570226      MQSB=0.033126   BQB=0.964281    MQ0F=0  ICB=1   HOB=0.5 AC=1    AN=2    DP4=30,13,22,16 MQ=35   ANN=C   missense_variant        MODERATE        ABCB6   ABCB6     transcript      XM_007419806.2
NW_006532015.1  1015800 .       AAA     AAACAA  228.0   .       INDEL   IDV=106 IMF=0.905983    DP=117  ADF=6,50        ADR=19,42       AD=25,92        VDB=0.22041     SGB=-0.693147     MQSB=0.182586   MQ0F=0  AC=2    AN=2    DP4=6,19,50,42  MQ=36   ANN=AAACAA      disruptive_inframe_insertion    MODERATE        CEP131  CEP131  transcriptXM_025166060.1  protein_coding  11/27
NW_006532017.1  910856  .       C       G       78.0    .       DP=118  ADF=50,14       ADR=25,2        AD=75,16        VDB=0.954018    SGB=-0.689466   RPB=0.939107    MQB=0.0031569     MQSB=0.280595   BQB=0.0859367   MQ0F=0  ICB=1   HOB=0.5 AC=1    AN=2    DP4=50,25,14,2  MQ=44   ANN=G   missense_variant        MODERATE        HPS1    HPS1      transcript      XM_025169525.1
NW_006532033.1  475415  .       T       C       222.0   .       DP=123  ADF=18,36       ADR=18,15       AD=36,51        VDB=0.984451    SGB=-0.693147   RPB=0.428811    MQB=1.68713e-05   MQSB=0.565818   BQB=0.837943    MQ0F=0  ICB=1   HOB=0.5 AC=1    AN=2    DP4=18,18,36,15 MQ=41   ANN=C   missense_variant        MODERATE        PTCH2   PTCH2     transcript      XM_025164053.1
NW_006532040.1  586236  .       G       C       29.9689 .       DP=106  ADF=40,9        ADR=25,1        AD=65,10        VDB=0.731987    SGB=-0.670168   RPB=0.945403    MQB=0.00509228    MQSB=0.210814   BQB=0.365756    MQ0F=0  ICB=1   HOB=0.5 AC=1    AN=2    DP4=40,25,9,1   MQ=46   ANN=C   missense_variant        MODERATE        OMG     OMG       transcript      XM_007420376.3
NW_006532040.1  674528  .       T       C       221.0   .       DP=128  ADF=39,15       ADR=19,9        AD=58,24        VDB=0.253732    SGB=-0.692831   RPB=0.952839    MQB=1.09944e-10   MQSB=0.755937   BQB=0.749586    MQ0F=0  ICB=1   HOB=0.5 AC=1    AN=2    DP4=39,19,15,9  MQ=48   ANN=C   missense_variant        MODERATE        NF1     NF1       transcript      XM_007420379.3

원하는 출력(탭으로 구분):

DP4=30,13,22,16 missense_variant        MODERATE        ABCB6
DP4=6,19,50,42  disruptive_inframe_insertion    MODERATE        CEP131
DP4=50,25,14,2  missense_variant        MODERATE        HPS1
DP4=18,18,36,15 missense_variant        MODERATE        PTCH2
DP4=40,25,9,1   missense_variant        MODERATE        OMG
DP4=39,19,15,9  missense_variant        MODERATE        NF1

감사해요!

답변1

match(), \<단어 경계 및 \s/\S약어 에 대한 세 번째 인수로 GNU awk를 사용합니다 .

$ awk -v OFS='\t' 'match($0,/(\<DP4=\S+).*\s(\S+\tMODERATE\t\S+)/,a){print a[1], a[2]}' file
DP4=30,13,22,16 missense_variant        MODERATE        ABCB6

답변2

awk 'BEGIN{ OFS="\t" } {
    nrf=split($0, tmp); s1=s2=0;
    for(i=1; i<=nrf; i++){
        printf "%s", (tmp[i] ~/DP4=/     &&++s1? (s2?OFS:"") tmp[i]:
                     (tmp[i]=="MODERATE" &&++s2? (s1?OFS:"") tmp[i-1] OFS tmp[i] OFS tmp[i+1]:"") );
    }; print "";
}' infile

우리는 사용했었다분할() 함수현재 처리된 행을 매번 임시 배열로 분할합니다.tmp기본 FS(공백, 즉 탭/공백)에서 이것은 nrf분할() 함수에 의해 분할된 필드 수를 보유하는 데 사용하는 임시 변수일 뿐입니다.

그런 다음 이 필드에 대해 for-look을 사용하고 현재 읽은 필드가 tmp[i]원하는 조건을 만족하는지 확인하고, 그렇다면 인쇄하고, 그렇지 않으면 다음 조건을 확인하고, 표시되면 이전 필드를 인쇄합니다. tmp[i-1]그런 다음 현재 필드 그 자체, tmp[i]그 오른쪽의 다음 필드 tmp[i+1], 그렇지 않으면 빈 문자열을 인쇄합니다 "".

임시 변수s1그리고s2첫 번째와 두 번째 인쇄 조건 작업 사이의 필드 구분 기호를 제어하는 ​​데 사용됩니다. 따라서 다음 필드 앞에 필드가 있으면 OFS 이전이 인쇄되어야 합니다.

관련 정보