AWK-用指定数量的随机行中的常量字符替换

Question

我的任务是估算掩盖的基因型，我必须掩盖（隐藏）2％的基因型。

我在其中执行的文件如下所示（genotype.dat）：

M rs4911642
M rs9604821
M rs9605903
M rs5746647
M rs5747968
M rs5747999
M rs2070501
M rs11089263
M rs2096537

为了掩盖它，我只需将M更改为S2。

但是，我必须对5505行中的110条（2％）执行此操作，因此我使用随机数生成器（在1到5505之间生成110个数字，然后手动将相应的行号M更改为S2）的策略花了将近一个小时。 ..（我知道，不是很复杂）。

我曾考虑过将数字保存在单独的文件（maskedlines.txt）中，然后告诉awk用S2替换该行号中的第一个字符，但是我找不到任何可调整的示例来做到这一点。

无论如何，对于如何解决此问题的任何建议将深表感谢。

Answer 1

awk 'NR==FNR{a[$1]=1;next;} a[FNR]{$1="S2"} 1' maskedlines.txt genotype.dat

这个怎么运作

总之，我们首先将maskedlines.txt读入关联数组a 。 假定此文件每行有一个数字，并且该数字的a设置为1。 然后，我们阅读genotype.dat 。 如果该行号的a为1，我们将第一个字段更改为S2以对其进行屏蔽。 然后打印该行，无论是否更改。

详细：

• NR==FNR{a[$1]=1;next;}

  在awk中， FNR是到目前为止从当前文件读取的记录（行）数，而NR是到目前为止读取的行总数。 因此，当NR==FNR ，我们正在读取第一个文件（maskedlines.txt）。 该文件包含genotype.dat中要屏蔽的行的行数。 对于这些行号中的每一个，我们将a设置为1。然后，我们跳过其余命令，并跳到next行。

• a[FNR]{$1="S2"}

  如果到达这里，我们正在处理第二个文件：genotype.dat。 对于此文件中的每一行，我们检查是否在maskedlines.txt中提到了其行号FNR 。 如果是这样，我们将第一个字段设置为S2以屏蔽该行。

• 1

  这是awk打印当前行的隐喻速记。

Answer 2

这是一种简单的方法，如果您拥有shuf （它位于Gnu coreutils中，那么如果您具有Linux，则几乎可以肯定拥有它）：

sed "$(printf '%ds/M/S2/;' $(shuf -n110 -i1-5505 | sort -n))" \
    genotype.dat > genotype.masked

一个更复杂的版本将不依赖于您是否要屏蔽5505行中的110行；而无需了解。 您可以使用lines=$(wc -l < genotype.dat)轻松提取行数，然后可以计算百分比。

shuf通常用于从文件生成随机的行样本； -i1-5505选项表示改用1到5505之间的整数，而-n110表示生成110的随机样本（无重复）。 为了提高效率，我在使用printf创建sed编辑脚本之前对其进行了排序。