仅在特定列中保留字符串的特定部分

Question

我有一个这样的文件：

id  target_id                               length  eff_length
1   intron_FBgn0000721:20_FBgn0000721:18    1136    243.944268
1   intron_FBgn0000721:19_FBgn0000721:18    1122    240.237419
2   intron_FBgn0264373:2_FBgn0264373:3      56      0
3   intron_FBgn0027570:4_FBgn0027570:3      54      0

对于第2列target_id，我想只保留字符串（并不总是FBgnXXXX之间，有时是其他名字）intron_和第一:。因此，新的输出文件第 2 列的值将更简单，但文件的其余部分保持不变。

我尝试使用 sed 命令，但不知道如何删除我不需要的部分。

Answer 1

使用sed和column：

$ sed -E 's/ intron_([^:]*):[^[:space:]]*/ \1/' file | column -t
id  target_id    length  eff_length
1   FBgn0000721  1136    243.944268
1   FBgn0000721  1122    240.237419
2   FBgn0264373  56      0

其中的关键部分是替换命令：

s/ intron_([^:]*):\S*/ \1/

它查找第一个冒号前后的intron_所有内容并将其保存intron_到变量中1。 [^[:space:]]*匹配从冒号到字段末尾的所有内容。所有这些都被保存在变量中的文本替换1。

使用awk与制表符分隔的输出：

$ awk -v "OFS=\t" '{$2=$2;sub(/intron_/, "", $2); sub(/:.*/, "", $2); print}' file
id      target_id       length  eff_length
1       FBgn0000721     1136    243.944268
1       FBgn0000721     1122    240.237419
2       FBgn0264373     56      0

解释：

• -v "OFS=\t"

  这将输出字段分隔符设置为选项卡。这有助于排列列，可能使column不必要的。

• $2=$2

  打印一行时，awk除非我们更改行上的某些内容，否则不会更改为我们新指定的输出字段分隔符。将第二个字段分配给第二个字段足以确保输出具有选项卡。

• sub(/intron_/, "", $2)

  这intron_将从第二个字段中删除。

• sub(/:.*/, "", $2)

  这将从第二个字段中删除第一个冒号之后的所有内容。

• print

  这将打印我们的新行。

使用awk自定义列格式

这与上面的类似，但使用printf以便我们可以根据需要自定义格式列宽和对齐方式：

$ awk  '{sub(/intron_/, "", $2); sub(/:.*/, "", $2); printf "%-3s %-12s %8s %3s\n",$1,$2,$3,$4}' file
id  target_id      length eff_length
1   FBgn0000721      1136 243.944268
1   FBgn0000721      1122 240.237419
2   FBgn0264373        56   0

这里的语句printf "%-3s %-12s %8s %3s\n",$1,$2,$3,$4以通常的printf样式选择列宽和对齐方式。

使用sed制表符分隔并将其转换为逗号分隔

$ sed -E 's/ intron_([^:]*):[^[:space:]]*/ \1/; s/[[:space:]][[:space:]]*/,/g' file 
id,target_id,length,eff_length
1,FBgn0000721,1136,243.944268
1,FBgn0000721,1122,240.237419
2,FBgn0264373,56,0