私は、文字A、T、C、Gだけを含める必要がある約500万行の長さのゲノムデータファイルを持っています。問題は、ファイルサイズがどれだけ必要かを知っていますが、それより少し大きいことです。これは、分析に問題が発生したか、一部の行にゲノムデータ以外のコンテンツが含まれていることを意味します。
A、T、C、G以外の行を見つける方法はありますか？ファイルの性質上、他の文字、スペース、数字、記号は表示しないでください。シンボルごとにシンボルを検索したので、より簡単な方法があることを願っています。
ベストアンサー1
まず、エディタでファイルを開きたくないでしょう（この方法で編集するには大きすぎます）。
逆にただ欲しいなら確認するファイルにA以外の内容が含まれている場合は、次のものを使用できます。TCG
grep '[^ATCG]' filename
これにより、この4文字以外の内容を含むすべての行が返されます。
欲しいなら削除ファイル内のこれらの文字は次のとおりです。
tr -c -d 'ATCG\n' <filename >newfilename
（これがファイルを「修正」する正しい方法であるかどうかはわかりません）
これにより、ファイルからこれらの4文字のうちの1つ以外のすべての文字が削除され、改行文字（\n）も保存されます。編集したファイルはに記録されますnewfilename。
ファイルに何かを追加したことがシステムエラーの場合、またはsedを介して修正できますが、awkまだデータがどのように見えるかわかりません。
viファイルを開くvimか、コマンドを実行すると
/[^ATCG]
A、Tまたはではなく、編集バッファの次の文字がC見つかりますG。
そして:%s/[^ATCG]//gすべて削除します。