Question

我有一个很大的文件，很多行都是这样的：

22 16052167 rs375684679 A AAAAC . PASS DR2=0.02;AF=0.4728;IMP GT:DS

在这些行中，DR2值的范围是0到1，我想提取包含DR2值大于0.8的行。

我已经尝试过sed或awk两种解决方案，但似乎都没有用……我尝试了以下方法：

grep "DR2=[0-1]\.[8-9]*" myfile

Answer 1

这将匹配值大于或等于 0.8的行。如果您坚持严格大于，那么我将不得不增加一些复杂性以防止0.8匹配。

grep 'DR2=\(1\|0\.[89]\)' myfile

诀窍在于，您需要两个单独的子模式：一个子模式可以匹配1个或更大，一个子模式可以匹配0.8个或更大。

Answer 2

grep： grep -E 'DR2=\([1-9]\|0[.][89]\)'
sed： sed -n '/\([1-9]\|0[.][89]\)/p'
awk： awk '/\([1-9]\|0[.][89]\)/'

这3个解决方案都基于单个正则表达式，并且都执行相同的操作（请参见Ruud HelderMan's solution）

但是，使用awk，您可以进行算术检查，以了解您的限制是否更棘手。假设我希望DR2的值在0.53和1.39之间。

awk '! match($0,/DR2=/) { next }
     { val = substr($0,RSTART+RLENGTH)+0 }
     ( 0.53 < val) && ( val < 1.39 )'

Answer 3

每当您的数据中有标记=值对时，我发现最好首先在下面创建一个由这些配对（f[]）组成的数组，然后才可以通过其标记访问值。您没有提供任何输入0.8来进行测试，因此请使用您提供的数据进行测试：

$ awk '{split($8,t,/[=;]/); for (i=1; i in t; i+=2) f[t[i]]=t[i+1]} f["DR2"] > 0.01' file
22 16052167 rs375684679 A AAAAC . PASS DR2=0.02;AF=0.4728;IMP GT:DS

或使用变量作为标记和值：

$ awk -v tag='DR2' -v val='0.8' '{split($8,t,/[=;]/); for (i=1; i in t; i+=2) f[t[i]]=t[i+1]} f[tag] > val' file
$
$ awk -v tag='DR2' -v val='0.01' '{split($8,t,/[=;]/); for (i=1; i in t; i+=2) f[t[i]]=t[i+1]} f[tag] > val' file
22 16052167 rs375684679 A AAAAC . PASS DR2=0.02;AF=0.4728;IMP GT:DS
$
$ awk -v tag='AF' -v val='0.4' '{split($8,t,/[=;]/); for (i=1; i in t; i+=2) f[t[i]]=t[i+1]} f[tag] > val' file
22 16052167 rs375684679 A AAAAC . PASS DR2=0.02;AF=0.4728;IMP GT:DS
$
$ awk -v tag='AF' -v val='0.5' '{split($8,t,/[=;]/); for (i=1; i in t; i+=2) f[t[i]]=t[i+1]} f[tag] > val' file
$

或使用复合条件：

$ awk '{split($8,t,/[=;]/); for (i=1; i in t; i+=2) f[t[i]]=t[i+1]}
        (f["AF"] > 0.4) && (f["AF"] < 0.5) && (f["DR2"] >= 0.02)
' file
22 16052167 rs375684679 A AAAAC . PASS DR2=0.02;AF=0.4728;IMP GT:DS

要点是，您想要对这些标记的值进行比较是微不足道的，并且您无需编写更多代码来隔离并保存这些标记及其值。

提取具有字符串和可变数字模式的行

3 个答案: