使用 awk 命令刪除多余的字符

Question

我想從此文件生成一個新文件，但在第二列中，我希望基因版本基本上不存在任何數字。 這是文件內容：

>  chr gene_id            gene_name start end   gene_type           
    1  ENSG00000223972.4 DDX11L1    11869 14412 pseudogene         
    1  ENSG00000227232.3 WASH7P    14363 29806 pseudogene
> 
> 
> The output should look like:                                   
  chr gene_id         gene_name start end   gene_type              
  1   ENSG00000223972 DDX11L1   11869 14412 pseudogene             
  1   ENSG00000227232 WASH7P    14363 29806 pseudogene

我試過這個命令： sed $2 's/ *..*//' gene_annot.parsed.txt > gene1.txt

Answer 1

在最簡單的可能變體中：

awk '{gsub(/\.[0-9]+ /, " ",  $0)}1' genes
> chr     gene_id gene_name       start   end     gene_type 1
> ENSG00000223972       DDX11L1 11869   14412   pseudogene 1
> ENSG00000227232       WASH7P  14363   29806   pseudogene 1
> ENSG00000243485       MIR1302-11      29554   31109   antisense 1
> ENSG00000221311       MIR1302-11      30366   30503   miRNA 1
> ENSG00000237613       FAM138A 34554   36081   protein_coding 1
> ENSG00000240361       OR4G11P 62948   63887   pseudogene 1
> ENSG00000186092       OR4F5   69091   70008   protein_coding

是否應該（在文件的更下方）有其他帶有. 在其他領域，這可能會產生不良結果。

Answer 2

假設. 在第二列之前永遠不會出現，您可以使用 GNU sed如下，讓file.txt內容

>  chr gene_id            gene_name start end   gene_type           
    1  ENSG00000223972.4 DDX11L1    11869 14412 pseudogene         
    1  ENSG00000227232.3 WASH7P    14363 29806 pseudogene

然后

sed 's/\.[0-9]*//' file.txt

output

>  chr gene_id            gene_name start end   gene_type           
    1  ENSG00000223972 DDX11L1    11869 14412 pseudogene         
    1  ENSG00000227232 WASH7P    14363 29806 pseudogene

說明：每行替換文字. （注意\是必需的，因為.對於 GNU sed具有特殊含義）后跟零個或多個（ * ）數字（ [0-9] ）使用空字符串（即刪除它）一次。

如果您需要以任何價格使用 GNU AWK ，那么要獲得相同的效果

awk '{sub(/\.[0-9]*/,"");print}' file.txt

Answer 3

使用awk它可能是：

awk 'NR > 1 && index($2,".") {sub(/\.[[:digit:]]*/,"",$2)} 1' file
>  chr gene_id            gene_name start end   gene_type
1 ENSG00000223972 DDX11L1 11869 14412 pseudogene
1 ENSG00000227232 WASH7P 14363 29806 pseudogene

• 雙重條件：沒有標題，即NR > 1並確保 field2 包含點字符，即index($2,".") 。
• 如果為真，則操作：刪除 field2 的點和數字。 最后打印， 1 。

Answer 4

$ awk '{sub(/\..*/,"",$2)} 1' file
chr gene_id            gene_name start end   gene_type
1 ENSG00000223972 DDX11L1 11869 14412 pseudogene
1 ENSG00000227232 WASH7P 14363 29806 pseudogene

或者，如果您更喜歡視覺 alignment：

$ awk '{sub(/\..*/,"",$2)} 1' file | column -t
chr  gene_id          gene_name  start  end    gene_type
1    ENSG00000223972  DDX11L1    11869  14412  pseudogene
1    ENSG00000227232  WASH7P     14363  29806  pseudogene