使用awk对每个唯一ID求和或求平均值

Question

任何人都可以告诉我如何使用awk来计算两个列的总和或每个唯一ID的一列的平均值。

输入

chr1    3661532 3661533 0.0 5   0   chr1    3661529 3662079 NM_01011874     
chr1    3661534 3661535 0.2 5   1   chr1    3661529 3662079 NM_01011874     
chr1    3661537 3661538 0.0 5   0   chr1    3661529 3662079 NM_01011874
chr1    3661559 3661560 0.0 6   0   chr1    3661529 3662079 NM_01011874
chr2    4661532 4661533 0.0 8   0   chr1    4661532 4661533 NM_00175642     
chr2    6661534 6661535 0.2 5   2   chr1    6661534 6661535 NM_00175642     
chr2    2661537 2661538 0.0 5   0   chr1    2661537 2661538 NM_00175642
chr2    9661559 9661560 0.0 7   0   chr1    9661559 9661560 NM_00175642

每个唯一ID的输出（总计$ 5 $ 6）

NM_01011874 21 1 
NM_00175642 25 2

或每个唯一ID平均4美元

NM_01011874 0.0476
NM_00175642 0.08

另外，如果您可以分解解决方案的组件，我将不胜感激。我是一名生物信息学培训最少的分子生物学家。

Answer 1

每个id的第5列和第6列的总和：

awk '{sum5[$10] += $5; sum6[$10] += $6}; END{ for (id in sum5) { print id, sum5[id], sum6[id] } }' < /tmp/input 
NM_00175642 25 2
NM_01011874 21 1

解释：$ 10是id字段，$ 5和$ 6是第5列和第6列。我们构建了2个数组，用于对第5列和第6列求和（由字符串索引，因此我们可以使用id字段）。一旦我们处理了所有行/记录，我们就遍历数组键（id字符串），并在该数组索引处打印该值。

每个ID的第4列的平均值：

awk '{sum4[$10] += $4; count4[$10]++}; END{ for (id in sum4) { print id, sum4[id]/count4[id] } }' < /tmp/input 
NM_00175642 0.05
NM_01011874 0.05

解释：与求和示例非常相似。我们保留每个id的第4列的总和，以及每个id所看到的记录数。最后，我们遍历id并打印总和/计数。

我对awk做的不多，我发现Perl对于小脚本更好。但this看起来是一个很好的起点。有更多页面的链接和示例脚本。