使用 unix (awk, sed, bash?) 用第四个下划线截断列中的项目？

Question

我有一系列看起来像这样的文件，第二列和第三列是重复的，但有数千行。

AT1G15820.1 TRINITY_DN96909_c1_g2_i1.p1 TRINITY_DN96909_c1_g2_i1.p1 1.36e-115
AT1G15820.1 TRINITY_DN96909_c1_g1_i2.p1 TRINITY_DN96909_c1_g1_i2.p1 9.97e-113
AT1G15820.1 TRINITY_DN96909_c1_g1_i1.p1 TRINITY_DN96909_c1_g1_i1.p1 6.26e-66

我想取第 3 列并截断它，以便删除字符串中包含 _i 之后的所有内容，如下所示：

AT1G15820.1 TRINITY_DN96909_c1_g2_i1.p1 TRINITY_DN96909_c1_g2 1.36e-115
AT1G15820.1 TRINITY_DN96909_c1_g1_i2.p1 TRINITY_DN96909_c1_g1 9.97e-113
AT1G15820.1 TRINITY_DN96909_c1_g1_i1.p1 TRINITY_DN96909_c1_g1 6.26e-66

每个字母组合后的数字（DN、c、g、i、p）可以是任何数字，也可以是任何长度，所以我不能只截断到某个长度。

我试过sed -i 's/_i.*//' file.txt但这删除了每一行之后的所有内容，而不仅仅是感兴趣的列。

非常感谢！

Answer 1

您可以使用 awk 从第一次出现的_i中删除第三个字段中的行的 rest：

awk 'sub(/_i.*/, "", $3)1' file

Output

AT1G15820.1 TRINITY_DN96909_c1_g2_i1.p1 TRINITY_DN96909_c1_g2 1.36e-115
AT1G15820.1 TRINITY_DN96909_c1_g1_i2.p1 TRINITY_DN96909_c1_g1 9.97e-113
AT1G15820.1 TRINITY_DN96909_c1_g1_i1.p1 TRINITY_DN96909_c1_g1 6.26e-66

Answer 2

使用sed

$ sed -i.bak 's/\(g[0-9]*\)_[^ ]*/\1/2' input_file
AT1G15820.1 TRINITY_DN96909_c1_g2_i1.p1 TRINITY_DN96909_c1_g2 1.36e-115
AT1G15820.1 TRINITY_DN96909_c1_g1_i2.p1 TRINITY_DN96909_c1_g1 9.97e-113
AT1G15820.1 TRINITY_DN96909_c1_g1_i1.p1 TRINITY_DN96909_c1_g1 6.26e-66

您可以在匹配的第二次出现时进行替换

Answer 3

使用GNU awk。 将第三列中的最后六个字符替换为空：

awk '{ gsub(/......$/, "", $3); print }' file

或者

awk '{ gsub(/.{6}$/, "", $3) }1' file

Answer 4

这将使用 GNU sed 完成：

sed 's/\(.*_i.*\)_i.*\(\s.*\)/\1\2/' your_file > output_file

• \(和\)是捕获组，记住里面匹配的东西
• \(.*_i.*\)_i.*记住（但不包括）第二个_i之前的所有内容
• \(\s.*\)记住从第二个_i之后的空格到行尾的所有内容
• /\1\2/用第一个和第二个捕获组替换该行（即删除从第二个_i到之后的第一个空格的所有内容。

输出

AT1G15820.1 TRINITY_DN96909_c1_g2_i1.p1 TRINITY_DN96909_c1_g2 1.36e-115
AT1G15820.1 TRINITY_DN96909_c1_g1_i2.p1 TRINITY_DN96909_c1_g1 9.97e-113
AT1G15820.1 TRINITY_DN96909_c1_g1_i1.p1 TRINITY_DN96909_c1_g1 6.26e-66

Answer 5

awk '{sub(/_[^_]+$/,"",$3)}1' file

AT1G15820.1 TRINITY_DN96909_c1_g2_i1.p1 TRINITY_DN96909_c1_g2 1.36e-115
AT1G15820.1 TRINITY_DN96909_c1_g1_i2.p1 TRINITY_DN96909_c1_g1 9.97e-113
AT1G15820.1 TRINITY_DN96909_c1_g1_i1.p1 TRINITY_DN96909_c1_g1 6.26e-66

在第三个字段中删除最后一个下划线（包括）之后的所有内容。

Answer 6

perl 单线：

perl -lane '$F[2] = join "_", (split /_/, $F[2])[0..3]; print "@F"' file

这将第三个字段拆分为下划线，获取前 4 个组件并将它们与下划线连接起来。