Question

我在txt文件中遇到数据操作问题。我的文件目前看起来像这样：

    HG02239 -23.42333333
    NA06985NA06985  -20.125
    NA06991NA06991  -20.92

这显示了我的一些制表符分隔数据。一半条目使用正确的七个字符（letterletternumbernumbernumbernumbernumber）格式，但有些条目加倍。我想进入第二列（第一列是空的，原因！）并删除字符串中的重复以便它可以读取

    HG02239 -23.42333333
    NA06985  -20.125
    NA06991  -20.92

我无法理解如何在每列的基础上使用sed / awk。我觉得我应该能写一个正则表达式，但因为数据是重复的，我不想丢失字符串的前半部分;我无法弄清楚如何剪切特定的列，或者我只是删除第7个字符。任何帮助非常感谢！

Answer 1

解决方案

您可以使用反向引用来解决此问题。例如，使用GNU sed：

$ cat << EOF | sed --regexp-extended 's/(.{7})\1/\1/'
HG02239 -23.42333333
NA06985NA06985  -20.125
NA06991NA06991  -20.92
EOF

HG02239 -23.42333333
NA06985 -20.125
NA06991 -20.92

如果您不使用GNU sed，则可能需要转义捕获组。此外，如果需要更准确的字符匹配，可以调整正则表达式。

解释

cat管道只是一个here-document，可以很容易地显示和测试代码。您可以直接在您的文件上调用sed，或者在您对结果感到满意时使用 -i 标记执行就地编辑。

sed脚本执行以下操作：

使用“间隔表达式”（花括号中的数字）将任意7个连续字符组存储在捕获组中。
\1是与第一个捕获组匹配的反向引用。
匹配将查找“捕获组后跟捕获组的副本。”
替换将匹配替换为捕获组的单个副本。

Answer 2

你可以使用类似的东西：

sed -i 's|\([A-Z]\{2\}[0-9]\{5\}\)[A-Z0-9]*\s*\(.*\)|\1 \2|g' <your-file>

Answer 3

单向，使用awk：

awk '{ print substr($1, 1, 7), $2 }' file.txt

输出：

HG02239 -23.42333333
NA06985 -20.125
NA06991 -20.92

如何删除字符串的加倍部分？

3 个答案:

解决方案

解释