linux - 如何使用 bash 对第一列中具有共享子字符串的项目的列值求和

Question

我正在尝试对第一列中具有共享 substring 的行的数据框各行的值求和。数据如下所示:

ID Data_1 Data_2 Data_3 Data_4 
SRW8002300_T01 1 2 3 4
SRW8002300_T02 1 2 3 4
SRW8002300_T03 1 2 3 4
SRW8004500_T01 1 2 3 4
SRW8004500_T02 1 2 3 4
SRW8006000_T01 1 2 3 4

当共享 ID 的第一部分(下划线之前的部分)时，我想对第 2 到第 5 列值求和。所以上面会变成:

ID Data_1 Data_2 Data_3 Data_4 
SRW8002300 3 6 9 12
SRW8004500 2 4 6 8
SRW8006000 1 2 3 4

到目前为止，我有一个 awk 命令可以去除下划线后字符串的 ID:

awk '{print $1}' 文件名 | awk -F'_' '{print $1}'

如果第一列中的值是共享的，另一个对列值求和:

awk '{a[$1]+=$2;b[$1]+=$3;c[$1]+=$4;d[$1]+=$5} END {for (i in a) 打印i, a[i], b[i], c[i], d[i]}' 文件名

但是，我正在努力组合这两个命令来创建一个新的数据框，其中包含共享 ID 的总和值。

我通常使用 python 编写代码，但我正在努力养成为此类任务编写 bash 脚本的习惯。

感谢您的帮助。

Answer 1

假设您的键值是连续的，如示例输入所示:

$ cat tst.awk
NR==1 { print; next }
{
    curr = $1
    sub(/_.*/,"",curr)

    if ( curr != prev ) {
        prt()
    }

    for (i=2; i<=NF; i++) {
        sum[i] += $i
    }

    prev = curr
}

END { prt() }

function prt() {
    if ( prev != "" ) {
        printf "%s%s", prev, OFS
        for (i=2; i<=NF; i++) {
            printf "%d%s", sum[i], (i<NF ? OFS : ORS)
        }
        delete sum
    }
}

$ awk -f tst.awk file
ID Data_1 Data_2 Data_3 Data_4
SRW8002300 3 6 9 12
SRW8004500 2 4 6 8
SRW8006000 1 2 3 4