Question

我有一个包含遗传数据的大文本文件（94,807,000行）。我想提取特定列中出现特定模式的行。我尝试过以各种方式使用awk和grep，但没有找到完成工作的方法。该文件以空格分隔，如下所示：

   V1     V2 V3 V4   V5      V6
1: 10 179406  T  . HPGM T,T,T,T
2: 10 179407  T  . HPGM T,T,T,T
3: 10 179408  G  . HPGM G,G,G,G
4: 10 179409  A  . HPGM A,A,A,A
5: 10 179410  A  . HPGM A,A,A,A
6: 10 179411  T  . HPGM T,T,T,T

V5和V6可以有超过这里显示的四个条目，一切看起来都很奇怪，如：

   V1        V2 V3 V4   V5                    V6
1:  1 158154514  A  . HPGO A,AAAA..204..TTTT,A,A

我想保留H和P的两个条目（这些是V6中前两个逗号分隔的字符）的行完全 A，C，T或G，所以应该只有这四个字符中的一个。但是，H和P不必具有相同的特征。在V5中，可能会出现多种组合，但所有组合都以HP开头。我不感兴趣，如果之后有任何或多少条目，并且所有行都有H和P的条目，所以我不必处理丢失的条目。

我找到了一些答案，展示了如何使用逻辑或||搜索多个模式，一些使用$6 ~ '/A,.'显示在特定字段中的外观，以及如何使用== "pattern"查找完全匹配。但是，我没有找到合并这些东西的答案，也无法自己解决。非常感谢帮助。

Answer 1

您可以使用此awk命令：

awk 'split($NF, a, /,/) && a[1] a[2] ~ /^[ACTG]{2}$/' file

1: 10 179406  T  . HPGM T,T,T,T
2: 10 179407  T  . HPGM T,T,T,T
3: 10 179408  G  . HPGM G,G,G,G
4: 10 179409  A  . HPGM A,A,A,A
5: 10 179410  A  . HPGM A,A,A,A
6: 10 179411  T  . HPGM T,T,T,T

split($NF, a, /,/)用逗号分隔最后一列
a[1] a[2] ~ /^[ACTG]{2}$/正在使用正则表达式来确保分割后的第一个和第二个子字段是A or C or T or G

使用awk提取在一列中出现多个模式的行

1 个答案: