选择命中值最高的比赛后，返回得分最高的比赛

Question

我发布了一个之前的问题，我使用 awk 得到了一个很好的解决方案。但我遇到了一个新问题，并意识到我需要提取得分最高的比赛iftop我有多个顶级比赛。

我不知道 awk，所以我确实弄乱了 chatgpt 教程，并从中得到了一些东西，但我无法真正让它在不同的场景下一致工作。

我的问题

我想从

hitcounts.csv

中为我的

ASVlist.txt

中的每个 ASV 提取行，其中：

1. 返回具有最高

   Hit

   值的 ASV 行（即，它与之前的文件具有最多的匹配项，因此包含此谱系信息的这一行很可能是该物种/属）。

2. 但是...在许多的情况下，多个物种/属将具有相同的热门点击。如果是一些（我认为），没问题，我通常可以手动检查它们。但这次我最终得到了数百。因此，从具有相同顶部命中的多行中，then返回具有最低 e 值的行。

3. 在许多情况下，它们具有相同的 e 值，因此从这些行中返回具有最高百分比同一性值的那个。

4. 如果一切都相同，则只需返回短语“Multiple lineages can be Matched to this ASV”。如果根本没有匹配项（确实发生了），则返回“此 ASV 没有匹配项。”。

我的

hitcounts.csv

文件片段：

ASV Perc_Identity   Evalue  Kingdom Phylum  Class   Order   Family  Genus   Hits
45b552aed13b0b8465b4a38e3e8ff9fc    90.667  3.81E-47    Eukaryota   Arthropoda  Insecta Hymenoptera Megachilidae    Megachile   3
45b552aed13b0b8465b4a38e3e8ff9fc    89.796  8.24E-44    Eukaryota   Arthropoda  Insecta Hymenoptera Megachilidae    Osmia   4
45b552aed13b0b8465b4a38e3e8ff9fc    95.652  1.40E-31    Eukaryota   Arthropoda  Insecta Hymenoptera Halictidae  Dufourea    1
45b552aed13b0b8465b4a38e3e8ff9fc    86.861  1.40E-31    Eukaryota   Arthropoda  Insecta Hymenoptera Halictidae  Megalopta   2
ff19ffd535c0aefe8575aafcc20265de    96.599  1.73E-60    Eukaryota   Streptophyta    Zygnemophyceae  Desmidiales Closteriaceae   Closterium  1
ff19ffd535c0aefe8575aafcc20265de    96.575  6.24E-60    Eukaryota   Streptophyta    Zygnemophyceae  Desmidiales Closteriaceae   Closterium  1
ff19ffd535c0aefe8575aafcc20265de    95.918  8.07E-59    Eukaryota   Streptophyta    Zygnemophyceae  Desmidiales Closteriaceae   Spinoclosterium 1
ff19ffd535c0aefe8575aafcc20265de    95.918  8.07E-59    Eukaryota   Streptophyta    Zygnemophyceae  Desmidiales Closteriaceae   Closterium  4
523acf9c870d416b8c2fe803ca314730    88.776  3.94E-22    Eukaryota   Arthropoda  Insecta Hymenoptera Colletidae  Colletes 4
523acf9c870d416b8c2fe803ca314730    89.691  3.05E-23    Eukaryota   Arthropoda  Insecta Hymenoptera Colletidae  Hylaeus 4
69863838a7fb9e431a01aaebf8e055f0    99.329  2.86E-68    Eukaryota   Streptophyta    Magnoliopsida   Apiales Apiaceae    Chaerophyllum   1
69863838a7fb9e431a01aaebf8e055f0    99.329  2.86E-68    Eukaryota   Streptophyta    Magnoliopsida   Apiales Apiaceae    Sinocarum   1

当我在终端中将代码作为 bash 脚本运行时所需的输出：

> ./max_asv.sh 45b552aed13b0b8465b4a38e3e8ff9fc hitcounts.csv
45b552aed13b0b8465b4a38e3e8ff9fc,Eukaryota,Arthropoda,Insecta,Hymenoptera,Megachilidae,Osmia,4

> ./max_asv.sh ff19ffd535c0aefe8575aafcc20265de hitcounts.csv
ff19ffd535c0aefe8575aafcc20265de,Eukaryota,Streptophyta,Zygnemophyceae,Desmidiales,Closteriaceae,Closterium,6

> ./max_asv.sh madeupASVakasdjlasd hitcounts.csv
madeupASVakasdjlasd,This ASV has no matches! 

> ./max_asv.sh 523acf9c870d416b8c2fe803ca314730 hitcounts.csv
523acf9c870d416b8c2fe803ca314730,Eukaryota,Arthropoda,Insecta,Hymenoptera,Colletidae,Hylaeus,4 

> ./max_asv.sh 69863838a7fb9e431a01aaebf8e055f0 hitcounts.csv
69863838a7fb9e431a01aaebf8e055f0,There are 2 lines tied for top [max value = 1]

我试图处理的另一个烦人的警告是，有时如果您查看分类列（界到属），我也会有多个实际上是相同谱系的匹配，但它们单独显示，因为它们的同一性百分比可能略有不同或 e 值。在这种情况下，我一直在尝试仅根据谱系列对“点击”列进行求和以获得总和计数，然后如果仍然存在多行，那么我需要检查 e 值，然后检查百分比同一性。

代码：

#!/bin/bash

max_asv() {

if [ $# -ne 2 ]; then
    echo "Usage: max_asv <ASV> <CSV File>"
    return 1
fi

local asv="$1"
local file="$2"

awk -F, -v asv="$asv" '
$1 == asv { if ($NF >= max_val) {
               if ($NF > max_val) {
                  delete matches
                  cnt = 0
                  max_val = $NF
               }
               matches[++cnt] = $0
            }
          }
END       { if (cnt == 0)
               printf "%s, This ASV has no matches.\n", asv
            else 
            if (cnt==1)
               print matches[cnt]
            else
               printf "%s, There are %s lines tied for top [max value = %s].\n", asv, cnt, max_val
          }
' "$2"
}

# Call the function with arguments passed to the script
max_asv "$1" "$2"

此代码适用于某些情况，但以下是我目前的输出，其中有些标记有些错误：

# This is ok
 45b552aed13b0b8465b4a38e3e8ff9fc,89.796,8.24E-44,Eukaryota,Arthropoda,Insecta,Hymenoptera,Megachilidae,Osmia,4

# I don't know how to make it sum up the hits. Value should be 6, not 4.
ff19ffd535c0aefe8575aafcc20265de,95.918,8.07E-59,Eukaryota,Streptophyta,Zygnemophyceae,Desmidiales,Closteriaceae,Closterium,4

# This came out ok
madeupASVakasdjlasd, This ASV has no matches.

# Wrong, as I couldn't add to the code to get it to parse through evalue and perc_identity. Also, this part of the code always prints out weird too and cuts off the ASV.
].3acf9c870d416b8c2fe803ca314730, There are 2 lines tied for top [max value = 4

# Correct but it's printing out weird and cutting the ASV off.
]. 63838a7fb9e431a01aaebf8e055f0, There are 2 lines tied for top [max value = 1

再次，我不知道 awk，我必须使用可用的资源来尝试这个。我想我已经完成了一半，但我一直被这些奇怪的情况困扰。感谢您的帮助。

Answer 1

这并不完全是您所要求的，但也许这可以给您提供线索。 只需对数据进行排序，您就可以做很多您想做的事情。 所以：

timr@tims-gram:~/src$ sort -k1,1 -k 10,10r -k 2,2r -k3,3r  < x.txt | grep -v Evalue | uniq -w 32
45b552aed13b0b8465b4a38e3e8ff9fc    89.796  8.24E-44    Eukaryota   Arthropoda  Insecta Hymenoptera Megachilidae    Osmia   4
523acf9c870d416b8c2fe803ca314730    89.691  3.05E-23    Eukaryota   Arthropoda  Insecta Hymenoptera Colletidae  Hylaeus 4
69863838a7fb9e431a01aaebf8e055f0    99.329  2.86E-68    Eukaryota   Streptophyta    Magnoliopsida   Apiales Apiaceae    Chaerophyllum   1
ff19ffd535c0aefe8575aafcc20265de    95.918  8.07E-59    Eukaryota   Streptophyta    Zygnemophyceae  Desmidiales Closteriaceae   Closterium  4

我已将排序键指定为字段 1、字段 10 降序、字段 2 降序和字段 3 降序。 然后我从每组中提取第一行。

您可以将其输入

grep 45b55

以一次获取一行。