linux - 查找字符串中三个字符序列的频率

Question

我在查找字符串中的三个字母组时遇到了问题。我当前的代码是:

if [ -e  $1 ]
then
    echo File Exists
    grep -E -o -c \("[acgt][acgt][acgt]"\) $1
else
    echo File doesnt Exist
fi

如何显示字符串中出现的次数？例如，我的字符串将包含

aacgtttgtaaccagaactgt
aac 3
tgt 2

等等

Answer 1

与 tail , fold , grep , sort和 uniq :

for i in {1..3}; do tail -c +"$i" infile; done | fold -w 3 | grep -Evx '.{,2}' |
    sort | uniq -c | sort -nr

导致

      3 aac
      2 tgt
      1 ttt
      1 ttg
      1 taa
      1 gtt
      1 gta
      1 gaa
      1 ctg
      1 cgt
      1 cca
      1 cag
      1 aga
      1 act
      1 acg
      1 acc

这是它的工作原理:

• tail -c +"$i" infile打印 infile 的内容从与 $i 的值对应的偏移量开始, 所以for循环的输出是

  aacgtttgtaaccagaactgt
  acgtttgtaaccagaactgt
  cgtttgtaaccagaactgt
  

其余的中间输出显示在最后，阶段从左到右编号对应于编号的列表项:

1. fold -w 3每行三个字符。
2. grep -Evx '.{,2}'删除 ( -v ) 行，其中完整行 ( -x ) 匹配两个或更少字符 ( .{,2} )。 -E选项允许我们不转义花括号，但是 grep -vx '.\{,2\}'效果一样好。
3. sort按字母顺序对输出进行排序(uniq 需要排序的输入)。
4. uniq -c计算相同行的出现次数。

5. sort -nr按出现次数降序排列。

    1.      2.      3.              4.              5.
   ---------------------------------------------------
   aac     aac     aac           3 aac           3 aac
   gtt     gtt     aac           1 acc           2 tgt
   tgt     tgt     aac           1 acg           1 ttt
   aac     aac     acc           1 act           1 ttg
   cag     cag     acg           1 aga           1 taa
   aac     aac     act           1 cag           1 gtt
   tgt     tgt     aga           1 cca           1 gta
   acg     acg     cag           1 cgt           1 gaa
   ttt     ttt     cca           1 ctg           1 ctg
   gta     gta     cgt           1 gaa           1 cgt
   acc     acc     ctg           1 gta           1 cca
   aga     aga     gaa           1 gtt           1 cag
   act     act     gta           1 taa           1 aga
   gt      cgt     gtt           2 tgt           1 act
   cgt     ttg     taa           1 ttg           1 acg
   ttg     taa     tgt           1 ttt           1 acc
   taa     cca     tgt
   cca     gaa     ttg
   gaa     ctg     ttt
   ctg
   t