我试图使用awk来解析一个标签分隔的表--第一列中有几个重复的条目,我需要删除表中其他4列的总和较小的重复行。我可以很容易地移除第一行或第二行,并对这些列进行求和,但是合并这两个列有困难。就我的目的而言,不会有超过2份副本。
示例文件:http://pastebin.com/u2GBnm2D
在这种情况下,期望的输出将是删除行:
lmo0330 1 1 0 1
lmo0506 7 21 2 10并保留另外两行基因标识相同的列。最后解析的文件如下所示:http://pastebin.com/WgDkm5ui
这是我尝试过的(这没什么用。)但第一部分删除第二份副本,第二部分对计数进行汇总):
awk 'BEGIN {!a[$1]++} {for(i=1;i<=NF;i++) t+=$i; print t; t=0}'我尝试在这个问题的最佳答案中修改脚本的第二部分:Removing lines containing a unique first field with awk?
awk 'FNR==NR{a[$1]++;next}(a[$1] > 1)' ./infile ./infile但不幸的是,我不太明白到底发生了什么事,才能让它发挥作用。有人能帮我吗?我认为我需要用删除(第一次重复计数或第二次重复计数)替换a[$1] > 1部件,这取决于哪个更大。
编辑:如果有关系的话,我也在使用GNU Awk 3.1.7。
发布于 2015-07-12 07:56:22
您可以使用以下awk命令:
awk 'NR == 1 {
print;
next
} {
s = $2+$3+$4+$5
} s >= sum[$1] {
sum[$1] = s;
if (!($1 in rows))
a[++n] = $1;
rows[$1] = $0
} END {
for(i=1; i<=n; i++)
print rows[a[i]]
}' file | column -t输出:
gene SRR034450.out.rpkm_0 SRR034451.out.rpkm_0 SRR034452.out.rpkm_0 SRR034453.out.rpkm_0
lmo0001 160 323 533 293
lmo0002 135 317 504 306
lmo0003 1 4 5 3
lmo0004 35 59 58 48
lmo0005 113 218 257 187
lmo0006 279 519 653 539
lmo0007 563 1053 1165 1069
lmo0008 34 84 203 107
lmo0009 13 45 90 49
lmo0010 57 210 237 169
lmo0011 65 224 247 179
lmo0012 65 226 250 215
lmo0013 342 500 738 682
lmo0014 662 1032 1283 1311
lmo0015 321 413 631 637
lmo0016 175 253 273 325
lmo0017 3 6 6 6
lmo0018 33 38 46 45
lmo0019 13 1 39 1
lmo0020 3 12 28 15
lmo0021 3 4 14 12
lmo0022 2 3 5 1
lmo0023 2 0 3 2
lmo0024 1 0 2 6
lmo0330 1 1 1 3
lmo0506 151 232 60 204https://stackoverflow.com/questions/31365021
复制相似问题