助けを求める前に投稿しました。 文字列の発生回数を計算します。。ここで、特定の値の範囲内で文字列の発生を検索し、同様の形式のファイルを印刷したいと思います(以下の範囲は範囲の最初の数字でソートされます)。
500506 genome 71445 71461 0
500506 genome 308369 308384 0
500506 genome 335450 335533 0
500506 genome 425268 425293 0
500506 genome 623326 623715 0
502289 genome 308370 308384 0
502289 genome 335462 335689 0
502289 genome 425268 425290 0
範囲、ファイル内のその範囲を見た回数、その範囲を持つ行識別子を示すリストを取得したいと思います。
71445-71461 1 500506
308369-308369 1 500506
308370-308384 2 500506,502289
335450-335461 1 500506
335462-335533 2 500506,502289
335534-335689 2 500506,502289
425268-425290 2 500506,502289
425291-425293 1 500506
上記の例では、502289は、500506とまったく同じ範囲に一致することも、その範囲内のどこかに属することも、その逆もあります。簡単なスクリプトでこれを実行できますか?それともPerlスクリプトのようなものを使うべきですか?
ベストアンサー1
このステートメントが正しく実行されていることを確認するには、より多くのデータ(4行以上)で次のスクリプトをテストする必要があります。if ((A[1]<$3 && $4<=A[2])||(A[1]<=$3 && $4<A[2]))
awk '
BEGIN{SUBSEP="-"}
{ if (($3, $4) in ids)
ids[$3,$4]=ids[$3,$4] "," $1
else
ids[$3,$4]=$1
}
END{ for (rng1 in ids) {
split (rng1,A,SUBSEP)
for (rng2 in ids) {
split (rng2,B,SUBSEP)
if ((A[1]<B[1] && B[2]<=A[2])||(A[1]<=B[1] && B[2]<A[2]))
ids[rng2]=ids[rng2] "," ids[rng1]
}
}
for (rng in ids) {
for (i=1;i<=split(ids[rng],D,",");i++)
a[D[i]]=1
s=k=""
n=0
for (j in a) {
k=k s j
s=","
n++
}
print rng, n, k
delete a
}
}' formatted.file