提取包含字符串和可变编号模式的行

Question

我有一个很大的文件，很多行都是这样开头的：

22 16052167 rs375684679 A AAAAC . PASS DR2=0.02;AF=0.4728;IMP GT:DS

在这些行中，DR2值的范围从0到1，我想提取那些包含大于0.8的DR2值的行。

我尝试过sed和awk两种解决方案，但似乎都不起作用……我尝试过以下几种方法：

grep "DR2=[0-1]\.[8-9]*" myfile

Answer 1

这将匹配值大于或等于0.8的行。如果您坚持使用严格大于，那么我将不得不添加一些复杂性，以防止0.8匹配。

grep 'DR2=\(1\|0\.[89]\)' myfile

诀窍是您需要两个单独的子模式:一个匹配1或更大，一个匹配0.8或更大。

Answer 2

• grep: grep -E 'DR2=\([1-9]\|0[.][89]\)'
• sed: sed -n '/\([1-9]\|0[.][89]\)/p'
• awk: awk '/\([1-9]\|0[.][89]\)/'

这3种解决方案都基于单个正则表达式，并且都做同样的事情(参见Ruud HelderMan's solution)。

然而，使用awk，如果你的限制有点棘手，你可以做一个艺术检查。比方说，我希望DR2的值在0.53到1.39之间。

awk '! match($0,/DR2=/) { next }
     { val = substr($0,RSTART+RLENGTH)+0 }
     ( 0.53 < val) && ( val < 1.39 )'

Answer 3

每当您的数据中有tag=value对时，我发现最好首先在下面创建这些对(f[])的数组，然后您就可以通过它们的标记访问值。您没有提供任何0.8的输入来进行测试，因此使用您提供的数据：

$ awk '{split($8,t,/[=;]/); for (i=1; i in t; i+=2) f[t[i]]=t[i+1]} f["DR2"] > 0.01' file
22 16052167 rs375684679 A AAAAC . PASS DR2=0.02;AF=0.4728;IMP GT:DS

或者使用标记和值的变量：

$ awk -v tag='DR2' -v val='0.8' '{split($8,t,/[=;]/); for (i=1; i in t; i+=2) f[t[i]]=t[i+1]} f[tag] > val' file
$
$ awk -v tag='DR2' -v val='0.01' '{split($8,t,/[=;]/); for (i=1; i in t; i+=2) f[t[i]]=t[i+1]} f[tag] > val' file
22 16052167 rs375684679 A AAAAC . PASS DR2=0.02;AF=0.4728;IMP GT:DS
$
$ awk -v tag='AF' -v val='0.4' '{split($8,t,/[=;]/); for (i=1; i in t; i+=2) f[t[i]]=t[i+1]} f[tag] > val' file
22 16052167 rs375684679 A AAAAC . PASS DR2=0.02;AF=0.4728;IMP GT:DS
$
$ awk -v tag='AF' -v val='0.5' '{split($8,t,/[=;]/); for (i=1; i in t; i+=2) f[t[i]]=t[i+1]} f[tag] > val' file
$

或者使用复合条件：

$ awk '{split($8,t,/[=;]/); for (i=1; i in t; i+=2) f[t[i]]=t[i+1]}
        (f["AF"] > 0.4) && (f["AF"] < 0.5) && (f["DR2"] >= 0.02)
' file
22 16052167 rs375684679 A AAAAC . PASS DR2=0.02;AF=0.4728;IMP GT:DS

重点是，无论您想要对这些标记的值做什么比较，都是微不足道的，并且您不需要编写更多的代码来隔离和保存这些标记及其值。