awkは一致し、特定の値をフィールド内に表示します

Question

awkでは、$10 = reference standardと$3の値が一致する行を印刷しようとしています。私の実際のデータは数千のtab-delimited行なので、入力と出力の両方がtab-delimitedに設定されています。ありがとうございました ：）。

awkの

awk -F'\t' -v OFS='\t' 'FNR==NR{a[$0];next} $(NF-1)$NF=="referencestandard" && {A[$3];next}$3 in A in a{print}' file 
awk: cmd. line:1: FNR==NR{a[$0];next} $(NF-1)$NF=="referencestandard" && {A[$3];next}$3 in A in a{print} 
awk: cmd. line:1:              ^syntax error 

ファイル

#tax_id GeneID Symbol RSG LRG RNA t Protein p Category 
9606 4200 ME2 NG_016198.1  NM_002396.4  NP_002387.1  reference standard 
9606 2122 MECOM NG_028279.1  NM_004991.3  NP_004982.2  reference standard 
9606 4204 MECP2 NG_007107.2  NM_004992.3  NP_004983.1  reference standard 
9606 4204 MECP2 NG_007107.2  NM_001110792.1  NP_001104262.1  reference standard 

000わずか数行のために所望の出力

9606 4204 MECP2 NG_007107.2  NM_004992.3  NP_004983.1  reference standard 
9606 4204 MECP2 NG_007107.2  NM_001110792.1  NP_001104262.1  reference standard 

Answer 1

、それは（私がしたデータファイルを処理することが、おそらく最も簡単ですdata）2回リストそれはコマンドライン上で2回実行されます。最初のパスでは、$3の値が発生した回数を記録し、最後のフィールドを 'reference standard'に設定します。 2回目のパスで、「参照標準」と$3大きい1よりの出現回数に設定された最後のフィールドで、それらのレコードを印刷：サンプルデータについては

awk -F'\t' -v OFS='\t' \ 
    'FNR == NR && $NF == "reference standard" { a[$3]++; next } 
    a[$3] > 1 && $NF == "reference standard" { print }' data data 

、私が得た出力されました：

9606 4204 MECP2 NG_007107.2  NM_004992.3  NP_004983.1  reference standard 
9606 4204 MECP2 NG_007107.2  NM_001110792.1 NP_001104262.1 reference standard 

このテクニックは、ファイルのコピー全体をメモリに保存することを避け、他のブックキープの問題を回避します。あなたのコードは既にFNR==NRのmemeを持っていたので、あなたはコマンドラインでファイル名を繰り返さなくても、あなたはこれらの行を少し考えていたと思います。

あなたはメモリ内のファイル全体を維持するために余裕がある（あるいは、それはファイルの代わりにパイプから来ているので、あなたはそれを再スキャンすることができない）場合は、このような単一のパスでそれを行うことができます。

awk -F'\t' -v OFS='\t' \ 
    'FNR==NR && $NF == "reference standard" { 
      index = a[$3]++; line[NR] = $0; reps[$3,index] = NR; next 
    } 
    END { for (i in a) 
       if (a[i] > 1) 
        for (j = 0; j < a[$3]; j++) 
         print line[reps[i,j]] 
    }' data 

これはもちろん、同じ出力を生成します。欠点は、メモリー内に完全なデータセットのコピーとさまざまな制御配列があるため、2パスの代替方法よりもはるかに多くのメモリーを使用することです。