Question

我想过滤文件，以便获得与第1列匹配但与第2列不匹配的行。在以下示例中：

00b27c71-a833-4605-9fb3-a2714ac98092    ENST00000352983.6   157 60  16
00d77e65-466e-4fe6-ad0f-bc6b3f44af75    ENST00000367142.4   130 12  4
00d77e65-466e-4fe6-ad0f-bc6b3f44af75    ENST00000367142.4   8   60 0
00b27c71-a833-4605-9fb3-a2714ac98091    ENST00000258424.2   12  60 2048
00b27c71-a833-4605-9fb3-a2714ac98091    ENST00000352983.6   157 60  16
00d77e65-466e-4fe6-ad0f-bc6b3f44af74    ENST00000367142.5   130 12  4
00d77e65-466e-4fe6-ad0f-bc6b3f44af74    ENST00000367142.7   8   60 0
00d77e65-466e-4fe6-ad0f-bc6b3f44af74    ENST00000258424.2   8   60 0

我想在第1列中找到恰好出现两次但在第2列中不匹配的整体，即，应该忽略组合column1，column2中的重复项。因此，预期输出为：

00b27c71-a833-4605-9fb3-a2714ac98091    ENST00000258424.2   12  60 2048
00b27c71-a833-4605-9fb3-a2714ac98091    ENST00000352983.6   157 60  16

第3、4、5等栏中的内容对于过滤并不重要，但我确实需要保留信息。

我还需要从另一个输出中将其通过管道传递，这对于读取文件和保留标题是必需的。所以我需要以下格式的东西：

samtools view -h file.bam | code that I need > results.bam

我尝试了几种版本的awk，但无济于事。任何帮助将不胜感激。

Answer 1

编辑： ：根据OP，它应该是从awk读取的单次读入，因此不能添加。w

your_command |  awk '
{
  a[$1]++;
  b[$1 FS $2]++;
  c[$1 FS $2]=$0
}
END{
  for(i in a){
    for(j in b){
      split(j,array," ");
      if(a[i]==2 && b[j]==1 && i==array[1]){  print c[j]  }
    }
}}'

能否请您尝试以下操作，如果有帮助，请告诉我。

awk 'FNR==NR{a[$1]++;b[$1 FS $2]++;next} a[$1]==2 && b[$1 FS $2]==1'  Input_file  Input_file

Answer 2

我相信您的追求如下：

awk '!($1 FS $2 in a) { b[$1]++; a[$1 FS $2]=$0 }
     END { for(i in a) {$0=i; if (b[$1]==2) print a[i] } }' file

这将输出：

00b27c71-a833-4605-9fb3-a2714ac98091    ENST00000352983.6   157 60  16
00b27c71-a833-4605-9fb3-a2714ac98091    ENST00000258424.2   12  60 2048

它的主要作用是检查组合$1 FS $2是否在数组a中。如果不是，请跟踪$1中b[$1]的计数，并将整行存储在a[$1 FS $2]中。最后，如果计数正确，请打印a[i]。请注意，b的密钥是通过将密钥i重新分配给$0获得的。这将重新定义字段$1和$2，而$1是您想要的键。

注意：由于数组遍历以未指定的顺序进行，因此上述脚本不一定跟踪该顺序。如果要保留订单，则需要跟踪行索引：

awk '!($1 FS $2 in a) { b[$1]++; a[$1 FS $2]=$0; c[NR]=$1 FS $2 }
     END { for(i=1;i<=NR;++i) if(i in c) { $0=c[i]; if (b[$1]==2) print a[$0]}
     }' file

输出：

00b27c71-a833-4605-9fb3-a2714ac98091    ENST00000258424.2   12  60 2048
00b27c71-a833-4605-9fb3-a2714ac98091    ENST00000352983.6   157 60  16

旧答案：

awk '!($1 in a) { a[$1]=$2; b[$1]=$0; next }
     !match($2,a[$1]){a[$1]=a[$1] FS $2; b[$1]=b[$1] ORS $0}
     END { for (i in a) if (gsub(FS,FS,a[i]) == 1) print b[i] }' file

这将输出：

00b27c71-a833-4605-9fb3-a2714ac98091    ENST00000258424.2   12  60 2048
00b27c71-a833-4605-9fb3-a2714ac98091    ENST00000352983.6   157 60  16

它本质上的作用是跟踪两个都由第一列索引的数组（a和b）。如果数组a不包含列$2的元素，则它将其添加到字符串a[$1]中。它还将完整行存储在b[$1]中，并以ORS分隔。最后，我们计算a[i]中有多少个字段，如果为两个，则打印b[i]。

筛选文件以查找在某一列中匹配但在另一列中不同的行

2 个答案: