Question

我有一个分隔的文件标签，如下所示：

##INFO=<ID=AC1,Number=1,Type=Float,Description="Max-likelihood">
##INFO=<ID=MQ,Number=1,Type=Integer,Description="Root-mean-square">
##INFO=<ID=FQ,Number=1,Type=Float,Description="Phred probability">
#CHROM  POS ID  REF ALT QUAL    FILTER  INFO    FORMAT
53_344  2   .   C   G   999     .   .   GT:PL:DP:DPR
6_56775 67  .   T   A   999     .   .   GT:PL:DP:DPR
53_234  78  .   CCG GAT 999     .   .   GT:PL:DP:DPR
45_569  5   .   TCCG    GTTA    999     .   .   GT:PL:DP:DPR
3_67687 2   .   T   G   999     .   .   GT:PL:DP:DPR
53_569  89  .   T   G   999     .   .   GT:PL:DP:DPR

我正在尝试使用sed删除第4个字段中包含多个字母的所有行（在上面的例子中，从顶部开始的第7行和第8行）。我尝试过以下正则表达式，但在某些我无法找到的地方一定有一个小问题：

sed '5,${;/\([^.]*\t\)\{3\}\[A-Z][A-Z]\+\t/d;}' input.vcf>new.vcf

语法如下：

5，$ #start在第5行，直到文件结尾（$）
（[^。] * \ t）#matching group是任意单个字符，后跟零个或多个字符，后跟一个标签。
{3} #previous block重复3次（大概是第4场）
[A-Z] [A-Z] + \ t＃跟随两个或更多字母的任意字符串，后跟一个标签。

不幸的是，这不起作用，但我知道我已经接近工作了。任何提示或帮助都将使这成为一个很好的教学时刻。感谢。

Answer 1

如果您awk没问题，可以使用以下命令：

 awk '(FNR<5){print} (FNR>=5)&&length($4)<=1' input.vcf

默认分隔符为space，您可以使用-F“\ t”将其切换为制表符，将其放在awk之后。例如，awk -F"\t" ....

(FNR<5){print} FNR是文件编号记录，当它小于5时，打印整行

(FNR>=5) && length($4)<=1将处理第4个字段或更少字符的剩余行和过滤行。

输出：

##INFO=<ID=AC1,Number=1,Type=Float,Description="Max-likelihood">
##INFO=<ID=MQ,Number=1,Type=Integer,Description="Root-mean-square">
##INFO=<ID=FQ,Number=1,Type=Float,Description="Phred probability">
#CHROM  POS ID  REF ALT QUAL    FILTER  INFO    FORMAT
53_344  2   .   C   G   999     .   .   GT:PL:DP:DPR
6_56775 67  .   T   A   999     .   .   GT:PL:DP:DPR
3_67687 2   .   T   G   999     .   .   GT:PL:DP:DPR
53_569  89  .   T   G   999     .   .   GT:PL:DP:DPR

您可以将输出重定向到输出文件。

Answer 2

修正了你的sed过滤器（花了我一段时间几乎疯狂了）

5,${/^\([^\t]\+\t\)\{3\}[A-Z][A-Z]\+\t/d}

您的错误：

[^.]*: everything but a dot.

感谢Ed，现在我知道了。我认为dot必须被转义，但这似乎不适用于括号之间。无论如何，这可以匹配制表字符并匹配2或3组而不是一个，无法匹配你的行（正则表达式默认是贪婪的）

\[A-Z][A-Z]: bad backslash. What did it do? hum, dunno!

试验：

$ sed '5,${/^\([^\t]\+\t\)\{3\}[A-Z][A-Z]\+\t/d}' foo.Txt
##INFO=<ID=AC1,Number=1,Type=Float,Description="Max-likelihood">
##INFO=<ID=MQ,Number=1,Type=Integer,Description="Root-mean-square">
##INFO=<ID=FQ,Number=1,Type=Float,Description="Phred probability">
#CHROM  POS ID  REF ALT QUAL    FILTER  INFO    FORMAT
53_344  2       .       C       G       999     .   .   GT:PL:DP:DPR
6_56775 67      .       T       A       999     .   .   GT:PL:DP:DPR
3_67687 2       .       T       G       999     .       .       GT:PL:DP:DPR
53_569  89  .   T   G   999     .   .   GT:PL:DP:DPR

结论：要处理分隔的字段，awk更好：）

Answer 3

$ awk 'NR<5 || $4~/^.$/' file
##INFO=<ID=AC1,Number=1,Type=Float,Description="Max-likelihood">
##INFO=<ID=MQ,Number=1,Type=Integer,Description="Root-mean-square">
##INFO=<ID=FQ,Number=1,Type=Float,Description="Phred    probability">
#CHROM  POS     ID      REF     ALT     QUAL    FILTER  INFO    FORMAT
53_344  2       .       C       G       999     .       .       GT:PL:DP:DPR
6_56775 67      .       T       A       999     .       .       GT:PL:DP:DPR
3_67687 2       .       T       G       999     .       .       GT:PL:DP:DPR
53_569  89      .       T       G       999     .       .       GT:PL:DP:DPR

sed：删除与给定字段中的模式匹配的行

3 个答案: