我真的需要幫助的具體方法。
我有一個這樣的串列；
我有一個這樣的串列；
promoter-TSS (NM_004753)
內含子（NM_001013630，3個內含子的第2個）。
基因間
內含子（NM_001135610，7個內含子中的6個）。
基因間
基因間
基因間
內含子（NM_201628，14號內含子中的1號）。
例如，內含子在一行中要計算不止一次。 我想在一行中只計算每個詞一次。
對于上述串列，輸出應該是;
promoter count : 1
內含子數：3 #not 6
基因間數 : 5
通常情況下，我在命令列中操作這類txt檔案。 我需要為一個大的集合運行這個檔案，所以我真的需要幫助! 非常感謝你
uj5u.com熱心網友回復：
用awk：
$ awk -F'[ ] |-' '
{ counts[$1] }
END { for (c in counts) printf "%s count : %d
", c, counts[c] }' input.txt
基因間數 : 4
內含子計數：3
啟動子計數：1
uj5u.com熱心網友回復：
當第一個詞后面是-或空格時，你可以用
sed 's/[ -].*//' file | sort | uniq -c
uj5u.com熱心網友回復：
假設：
- 欄位以非字母數字為界（即，
^[:alnum:]） - 使用不區分大小寫的比較法 。
- 在OP的預期輸出中，
intergeneric計數應該是4 。
- 忽略空行 。
示例資料：
$ cat list.dat
啟動子-TSS (NM_004753)
內含子（NM_001013630，3個內含子的第2個）。
基因間期
內含子（NM_001135610，7個內含子中的6個）。
基因間
基因間
基因間
內含子（NM_201628，14個內含子中的1個） # 第一個字符的大小寫變化#空白行。
Intergenic7 e3u # first delimiter == " "
intron9(NM_201628, intron 1 of 14) # first delimiter == "(")
一個awk想法：
awk '
{ split($0,arr,"[^[:alnum:]]" ) # 使用所有非字母數字作為分隔符來分割行
if ( arr[1] != "" ) # 如果不是空行 ...
count[tolower(arr[1])] # 縮略語/計數第一個欄位
}
END { for (i in count) # 回圈瀏覽單詞串列
printf "%s count : %s
", i, count[i]
}
' list.dat
# 或者作為一個單行代碼（沒有注釋）。
awk '{split($0,arr,"[^[:alnum:]]"); if (arr[1] !="") count[tolower(arr[1])] } END {for (i in count) printf "%s count : %s
", i, count[i]}' list.dat
這就產生了：
intergenic7 count : 1
內含子9計數：1
內含子數 : 3
基因間數 : 4
啟動子數：1
注釋：
- 我們使用
tolower()來促進不區分大小寫的比較，所以所有輸出都是小寫的 。
- OP還沒有規定如何使用輸出，所以這個解決方案可以進一步修改，以考慮到顯示順序、保存到檔案、保存到關聯陣列等 。
轉載請註明出處，本文鏈接：https://www.uj5u.com/qukuanlian/308109.html
標籤：