Question

我认为应该是一个常见的问题，但我还没有找到任何好的解决方案。

我有一个文件，其中每一行都有染色体编号，染色体中的起始位置和一些相关值，如下所示。

1       1.07299851019   1       1.07299851019   HQ      chrY    2845223         +       0.251366120219  46      
1       1.06860686763   1       1.06860686763   HQ      chr10   88595309        +       0.256830601093  47      
1       1.04688316093   3       3.14064948278   HQ      chr6    49126474        +       0.295081967213  54      
1       1.1563829915    1       1.1563829915    HQ      chrX    16428176        +       0.185792349727  34

我想在染色体（第6列）和起始位置（第7列）上使用unix sort命令对此文件进行排序。在我四处寻找之后，我想出了这个，这让我非常接近：

nohup sort -t $'\t' -k 6.4,6.5n -k 7,7n

我无法解决的剩余问题是，编号为数字的染色体排序正确，染色体X和染色体Y在起始位置排序在一起，如下所示：

1       0.978579587641  9       8.80721628876   HQ      chrX    2861057 -       0.431693989071  79      
1       0.979500536702  1       0.979500536702  HQ      chrY    2861314 -       0.420765027322  77      
1       0.969979601694  9       8.72981641525   HQ      chrX    2861649 -       0.469945355191  86

我知道可以解决，例如通过用数字替换chrX和chrY，或编写一个程序来解决它，但是能够使用一个简单的命令会非常好，特别是因为文件大小通常很大而且我反复这样做。

如果染色体排列顺序为1到22然后是X然后是Y，那也很好。我的命令是染色体X和Y首先出现，然后是1到22号染色体。

Answer 1

要将X与Y分开，您可以指定后备密钥：

nohup sort -t $'\t' -k 6.4,6.5n -k 6 -k 7,7n

（这表示如果在数字上比较字段6.4,6.5中的两行是等效的，那么下一步是在字段6 非中对它们进行比较 - 数字，在尝试字段7之前）。

免责声明：这不符合您上一段中的目标：

如果染色体排列顺序为1到22然后是X然后是Y，那也很好。我的命令是染色体X和Y首先出现，然后是1到22号染色体。

因为X和Y在数字排序期间仍会被视为零，并且后备不会更改。希望你无论如何都觉得它很有用。

我知道可以解决，例如用数字代替chrX和chrY，[...]

事实上，你可以动态地进行替换：

sed 's/chrX/chr23/; s/chrY/chr24/' |
  sort -t $'\t' -k 6.4,6.5n -k 7,7n |
  sed 's/chr23/chrX/; s/chr24/chrY/'

（请注意，此命令中的换行符是可选的;为了便于阅读，我将它们包括在内，但如果您愿意，可以将它放在一行上，如果/实际使用它的话。）

Answer 2

如果您的sort版本支持用于排序字母数字列的-V选项，那么您可以执行以下操作：

$ cat file
1   1.07299851019   1   1.07299851019   HQ  chrY    2845223     +   0.251366120219  46
1   1.06860686763   1   1.06860686763   HQ  chr10   88595309    +   0.256830601093  47
1   1.04688316093   3   3.14064948278   HQ  chr6    49126474    +   0.295081967213  54
1   1.1563829915    1   1.1563829915    HQ  chrX    16428176    +   0.185792349727  34

$ sort -t$'\t' -k6V -k7n file
1   1.04688316093   3   3.14064948278   HQ  chr6    49126474    +   0.295081967213  54
1   1.06860686763   1   1.06860686763   HQ  chr10   88595309    +   0.256830601093  47
1   1.1563829915    1   1.1563829915    HQ  chrX    16428176    +   0.185792349727  34
1   1.07299851019   1   1.07299851019   HQ  chrY    2845223     +   0.251366120219  46

Answer 3

从以前开始详细阐述jaypal的答案...

您可以按以下方式每列更改排序条件：

sort -k1,1V input.txt

这将使用上述here引述的-V选项对第1列和第1列进行排序。

-V的意思是“文本内自然的（版本）数字排序”（类型人进行排序以找出答案），然后神奇地对数字和文本进行排序。

如果在制表符分隔的文件中有多个列，并且想要指定主列的排序顺序，则可以执行以下操作：

sort -k14,14V -k1,1n input.txt

以上内容将第14列用作第一个排序索引并应用-V排序算法，然后将第1列用作第二个排序索引并使用数字排序。（这在某些圈子中可能对按染色体然后按位置排序很有用。）

要为OSX用户解决缺少的-V选项：

Mac OS X本机类型不支持-V，您将拥有安装GNU核心实用程序并改用gsort。

要快速了解-V排序的工作原理，请参见以下示例...

示例输入：

chr21   
chr2    
chr3    
chrY    
chr1    
chr3    
chr10   
chrX

V排序的输出：

chr1    
chr2    
chr3    
chr3    
chr10   
chr21   
chrX    
chrY

Unix将字符串和数字排序在一起

3 个答案: