linux - 根据值为每个条目提取记录子集

Question

我是 unix 新手。我有如下 tab delim txt 文件:

ID     Region Strt End Length
sd_2_1 head   241   930 689
sd_2_1 trunk  16    240 224
sd_2_1 tail    1    15  14

sd_2_1 head    1    1   0
sd_2_1 trunk   2    832 830
sd_2_1 tail   833   930 97

sd_2_1 head   780   930 150
sd_2_1 trunk  663   779 116
sd_2_1 tail   1     662 661

sd_3_1 head  1020   1649 629
sd_3_1 trunk 783    1019 236
sd_3_1 tail   1     782  781

sd_3_1 trunk  1     1470 1469
sd_3_1 tail  1471   1649 178  

sd_4_1 head   2      50   48
sd_4_1 trunk  51     701  650

sd_4_1 head   1      40   38
sd_4_1 trunk  41     101  60
sd_4_1 tail   102    122  20

具有不同条目(由空格分隔)的每个 Id 多个区域子集我想将每个 ID 与其自己的子集进行比较，并仅保留每个 ID 具有最大主干长度的子集。最后我想获取如下文件:

      ID     Region Strt End Length
  sd_2_1      head    1    1   0
  sd_2_1      trunk   2    832 830
  sd_2_1      tail   833   930 97

  sd_3_1      trunk  1     1470 1469
  sd_3_1      tail   1471  1649 178 

  sd_4_1       head   2      50   48
  sd_4_1       trunk  51     701  650

任何帮助将不胜感激。请指导我

Answer 1

awk 助您一臂之力!

$ (head -1 file && sed 1d file
    | awk -v RS= '{len=0; 
                   for(i=2;i<=NF;i+=5) 
                      if($i=="trunk") {len=$(i+3); break} 
                   if(len>v[$1]) {v[$1]=len; r[$1]=$0}
                  } 
               END{for(k in r) print r[k]}') 
    | column -t

ID      Region  Strt  End   Length
sd_2_1  head    1     1     0
sd_2_1  trunk   2     832   830
sd_2_1  tail    833   930   97
sd_3_1  trunk   1     1470  1469
sd_3_1  tail    1471  1649  178
sd_4_1  head    2     50    48
sd_4_1  trunk   51    701   650

Subshel​​l是将header和body分离出来进行处理。将记录分隔符设置为段落模式，为每条记录找到相应的长度(因为可能会缺少一些行所以复杂度不高)。为每个键选择最大值并在完成后打印。

如果您需要不同 ID 行之间的间距。

... | column -t | awk 'NR<3{p=$1} $1!=p{print "";p=$1} 1'

ID      Region  Strt  End   Length
sd_2_1  head    1     1     0
sd_2_1  trunk   2     832   830
sd_2_1  tail    833   930   97

sd_3_1  trunk   1     1470  1469
sd_3_1  tail    1471  1649  178

sd_4_1  head    2     50    48
sd_4_1  trunk   51    701   650