使用awk僅包含以特定值開頭的列？

我有一個包含 7 列、1.92 億行的檔案。我想過濾檔案，使其只有從第二列開始chr1_的資料。chr7_

head file.txt.gz
gene_id variant_id  tss_distance    ma_samples  ma_count    maf pval_nominal    slope   slope_se
ENSG00000227232.5   chr1_13550_G_A_b38  -16003  16  16  0.0132231   0.329834    0.188778    0.193552
ENSG00000227232.5   chr1_14671_G_C_b38  -14882  12  12  0.00991736  0.618791    0.110828    0.222611
ENSG00000227232.5   chr2_14677_G_A_b38  -14876  60  60  0.0495868   0.378305    -0.090737   0.102905
ENSG00000227232.5   chr3_16841_G_T_b38  -12712  46  46  0.0380165   0.100419    -0.191008   0.116067
ENSG00000227232.5   chrX_16856_A_G_b38  -12697  10  10  0.00826446  0.708684    -0.0901965  0.241282
ENSG00000227232.5   chrX_17005_A_G_b38  -12548  18  18  0.014876    0.153674    -0.257458   0.180205
ENSG00000227232.5   chr4_17005_A_G_b38  -12548  18  18  0.014876    0.153674    -0.257458   0.180205
ENSG00000227232.5   chr7_17005_A_G_b38  -12548  18  18  0.014876    0.153674    -0.257458   0.180205

輸出：

head file.txt.gz
gene_id variant_id  tss_distance    ma_samples  ma_count    maf pval_nominal    slope   slope_se
ENSG00000227232.5   chr1_13550_G_A_b38  -16003  16  16  0.0132231   0.329834    0.188778    0.193552
ENSG00000227232.5   chr1_14671_G_C_b38  -14882  12  12  0.00991736  0.618791    0.110828    0.222611
ENSG00000227232.5   chr7_17005_A_G_b38  -12548  18  18  0.014876    0.153674    -0.257458   0.180205

第二列的資料格式為chrnumber _number_letter_letter_b38。數字和字母可以不同。例如chr4_17005_A_G_b38或ch7_17090_A_T_b38。我只希望第二列以chr1_or開頭chr7_。我將如何使用awk？

我累了

gunzip -c file.txt.gz | awk '$2 ~ /^chr1/' > output.txt

但是，輸出還包含 chr19 和 chr10。1 的所有內容。我也不確定如何包含 chr7。

uj5u.com熱心網友回復：

您可以使用：

gunzip -c file.txt.gz | awk '$2 ~ /^chr[17]_/' > output.txt

^chr[17]_將匹配chr1_或chr7_在開始位置之后。通過添加_，我們確保我們不匹配chr10or chr75。

uj5u.com熱心網友回復：

為了檢查文本是否以您可能使用的另一個文本開頭的index函式，讓file.txt內容為

gene_id variant_id  tss_distance    ma_samples  ma_count    maf pval_nominal    slope   slope_se
ENSG00000227232.5   chr1_13550_G_A_b38  -16003  16  16  0.0132231   0.329834    0.188778    0.193552
ENSG00000227232.5   chr1_14671_G_C_b38  -14882  12  12  0.00991736  0.618791    0.110828    0.222611
ENSG00000227232.5   chr2_14677_G_A_b38  -14876  60  60  0.0495868   0.378305    -0.090737   0.102905
ENSG00000227232.5   chr3_16841_G_T_b38  -12712  46  46  0.0380165   0.100419    -0.191008   0.116067
ENSG00000227232.5   chrX_16856_A_G_b38  -12697  10  10  0.00826446  0.708684    -0.0901965  0.241282
ENSG00000227232.5   chrX_17005_A_G_b38  -12548  18  18  0.014876    0.153674    -0.257458   0.180205
ENSG00000227232.5   chr4_17005_A_G_b38  -12548  18  18  0.014876    0.153674    -0.257458   0.180205
ENSG00000227232.5   chr7_17005_A_G_b38  -12548  18  18  0.014876    0.153674    -0.257458   0.180205

然后

awk 'index($2,"chr1_")==1||index($2,"chr7_")==1' file.txt

給出輸出

ENSG00000227232.5   chr1_13550_G_A_b38  -16003  16  16  0.0132231   0.329834    0.188778    0.193552
ENSG00000227232.5   chr1_14671_G_C_b38  -14882  12  12  0.00991736  0.618791    0.110828    0.222611
ENSG00000227232.5   chr7_17005_A_G_b38  -12548  18  18  0.014876    0.153674    -0.257458   0.180205

說明：index如果發現否則函式確實回傳子字串的開始位置0，因此1表明它在開始。我檢查您列舉的所有字串并使用邏輯 OR ( ||) 將它們連接起來。

（在 gawk 4.2.1 中測驗）

標籤：正则表达式awk

上一篇：列印陣列的句子，如果它們包含給定的單詞

下一篇：如果前面沒有空格或IS后跟空格，則在連字符處拆分