Question

我一直在努力让这个括号内容被提取和拆分，但我不能完成它。我尝试用sed和tr用\ t替换'[]'，然后一步一步地做，但没有运气。

tr '[''\t'`

即使是朋友也试过vi，但它太复杂而且无法工作：

:%s/\([A-Za-z_]*\)\t\([0-9A-Z-]*\)\t\([0-9]*\)\t[A-Z]*\[\(.\).\(.\)\][A-Z]*\t+\([a-z0-9]*\)\t/\1\t\2\t\3\t\4\t\5\t\6\t\7/g

还尝试使用python，但它说要解压缩的值太多了

它必须是括号或类似的问题。所以，我有这个表，但包含数十万行

Species X-C982  282 AACTGTCCATTGACTCTGATAGTGTAAC[G/A]GAGGAAGATGTGCCTAAAAGGAAGAA scaffold7
Species X-A757  158 CCAAGACAGACAGTGGGGTAGAATTTAC[T/C]ACAACAGGCAGTCACAGTGACAAAGG scaffold7
Species X-G39   842 TGATGAACATCAGACTTTTAAACTTTGC[T/C]CATGCATAAATCTGTATATCACGCTA scaffold9

我需要提取内容并将其从'/'拆分，以便它看起来像这样（所有标签分开）：

Species X-C982  282  G  A  scaffold7
Species X-A757  158  T  C  scaffold7
Species X-G39   842  T  C  scaffold9

很抱歉没有发布任何好的代码，但没有一个正常工作。

我知道在excel中这可以很容易地完成，但是当有时使用超过一百万行时，这是不可能的。提前致谢

Answer 1

$ awk -F'[][[:space:]/]+' -v OFS='\t' '{print $1, $2, $3, $5, $6, $8}' file
Species X-C982  282     G       A       scaffold7
Species X-A757  158     T       C       scaffold7
Species X-G39   842     T       C       scaffold9

如果您将来要做更多的文本处理任务，请阅读Arnold Robbins撰写的Effective Awk Programming，4th Edition一书。

Answer 2

使用awk，您可以像这样定义字段分隔符：

awk -F'[] ][ACTG]*[[ ]|/' '$1=$1' file

Answer 3

如果对＆＃34; [X / Y]＆＃34;的发生次数有任何疑问？可能在核苷酸序列中，那么检查可能会更好。

假设输入以制表符分隔，其中$ 3是长核苷酸序列，下面说明可以做什么：

 awk -F\\t '
   BEGIN{OFS=FS}
   $3 ~ /\[/ { split($3, a, "[][/]"); print $1,$2,a[2],a[3],$4; next}
   {print $1,$2,"","",$4} '

将括号内容拆分为新列

3 个答案: