Question

我有一个包含20 000个探针的数据集，它们分为两列，每列21个。从这个文件中我需要提取探针1列中最后一个核苷酸与探针2列中最后一个核苷酸匹配的行。到目前为止，我尝试了AWK（substr）函数，但没有得到预期的结果。这是我试过的单线：

awk '{if (substr($2,21,1)==substr($4,21,1)){print $0}}'

另一种选择是在第2列和第4列（awk '$2~/[A-Z]$/）中锚定最后一个字符，但我找不到使用正则表达式匹配两列中探针的方法。所有建议和意见将非常感谢。

数据集示例：

        Probe 1                     Probe 2
4736    GGAGGAAGAGGAGGCGGAGGA   A   GGAGGACGAGGAGGAGGAGGA
4737    GGAGGAAGAGGAGGGAGAGGG   B   GGAGGACGAGGAGGAGGAGGG
4738    GGAGGATTTGGCCGGAGAGGC   C   GGAGGAGGAGGAGGACGAGGT
4739    GGAGGAAGAGGAGGGGGAGGT   D   GGAGGACGAGGAGGAGGAGGC
4740    GGAGGAAGAGGAGGGGGAGGC   E   GGAGGAGGAGGACGAGGAGGC

期望的输出：

4736    GGAGGAAGAGGAGGCGGAGGA   A   GGAGGACGAGGAGGAGGAGGA
4737    GGAGGAAGAGGAGGGAGAGGG   B   GGAGGACGAGGAGGAGGAGGG
4740    GGAGGAAGAGGAGGGGGAGGC   E   GGAGGAGGAGGACGAGGAGGC

Answer 1

这将过滤输入，匹配第二列的最后一个字符等于第四列的最后一个字符的行：

awk 'substr($2, length($2), 1) == substr($4, length($4), 1)'

与示例脚本相比，我改变了什么：

将if声明移出{ ... }块进入过滤器
使用length($2)和length($4)代替硬编码值21
不需要{ print $0 }，因为这是匹配行的默认操作

awk：如何比较一行中的两个字符串

1 个答案: