我需要有关重构数据集的帮助,以便我可以执行下游分析。我目前正处理蛋白质组学数据,并希望进行比较分析。问题是蛋白质ID。通常,一种蛋白质可以具有多于1个id并且它们被“;
”分开。我需要用不同的蛋白质ID打印相同蛋白质的整个系列。例如:-
输入文件 :
tom dick harry jan
a;b;c 1 2 3 4
d;e 4 5 7 3
理想输出:
tom dick harry jan
a 1 2 3 4
b 1 2 3 4
c 1 2 3 4
d 4 5 7 3
e 4 5 7 3
非常感谢提前
$ awk 'NR==1{$0="key "$0} {split($1,a,/;/); for (i=1; i in a; i++) { $1=a[i]; print } }' file | column -t
key tom dick harry jan
a 1 2 3 4
b 1 2 3 4
c 1 2 3 4
d 4 5 7 3
e 4 5 7 3
如果你不喜欢它,你可以从输出中删除单词“key”,但是恕我直言的有一些列和一些没有标题是一个非常糟糕的主意 - 只是让任何进一步的处理更加困难。
#!/bin/bash
read header
printf "%4s %s\n" "" "$header"
while true
do
read ids values
for id in $(tr ';' ' ' <<< "$ids")
do
printf "%-4s %s\n" "$id" "$values"
done
done
这读取标题和打印(只是略有不同的格式),然后它读取每一行并打印这些行中的每一行,在行的开头给出的每个id
一行。为了找到id
s,ids
字符串被分割为分号(;
)。