Linux学习 - awk使用
2017-11-17 15:47
211 查看
欢迎关注微信公众号生信宝典:http://mp.weixin.qq.com/s/8wD14FXt7fLDo1BjJyT0ew
Linux学习系列文章是生信宝典最开始主推的一块,力图从一个新额视角帮助初学者快速入门Linux系统,熟悉Linux下的文件和目录,文件操作, 文件内容操作。而且教程摒弃了完美操作,列举出常见错误和解决方式,管道、标准输入输出解惑Linux下多种信息输出方式。
在文件排序和FASTA文件操作中简述了
awk读取单个文件时的基本语法格式是
读取多个文件时的语法是
awk后面的命令部分是用引号括起来的,可以单引号,可以双引号,但注意不能与内部命令中用到的引号相同,否则会导致最相邻的引号视为一组,引发解释错误。
其它
计算某列内容出现的次数。
之前也提到过的列操作,从GTF文件中提取启动子区域
数据矩阵的格式化输出
判断FASTQ文件中,输出质量值的长度是与序列长度不一致的序列ID
筛选差异基因
筛选差异基因存储到不同的文件
ID map,常用于转换序列的ID、提取信息、合并信息等
转换大小写,
awk数值操作
awk定义函数
字符串匹配
字符串分割
awk脚本
awk给每行增加行号,使其变为唯一
awk 引用系统变量
学会了基本命令,生信分析中还有一大块是使用已经安装好的工具,针对软件安装中遇到的问题,推出了系列文章:环境变量和可执行属性彻底释义环境变量的概念;列举出Linux下软件安装的各种方法,并针对Docker和Conda分别发文介绍。
Linux学习系列文章是生信宝典最开始主推的一块,力图从一个新额视角帮助初学者快速入门Linux系统,熟悉Linux下的文件和目录,文件操作, 文件内容操作。而且教程摒弃了完美操作,列举出常见错误和解决方式,管道、标准输入输出解惑Linux下多种信息输出方式。
在文件排序和FASTA文件操作中简述了
awk和
sed的使用,作为一个引子。本篇则详细列举关于
awk常用的操作和一些偏门的操作。
awk基本参数解释
awk擅长于对文件按行操作,每次读取一行,然后进行相应的操作。awk读取单个文件时的基本语法格式是
awk 'BEGIN{OFS=FS="\t"}{print $0, $1;}' filename。
读取多个文件时的语法是
awk 'BEGIN{OFS=FS="\t"}ARGIND==1{print $0, $1;}ARGIND==2{}' file1 file2。
awk后面的命令部分是用引号括起来的,可以单引号,可以双引号,但注意不能与内部命令中用到的引号相同,否则会导致最相邻的引号视为一组,引发解释错误。
OFS: 文件输出时的列分隔符 (output field separtor)
FS: 文件输入时的列分隔符 (field separtor)
BEGIN: 设置初始参数,初始化变量
END: 读完文件后做最终的处理
其它
{}:循环读取文件的每一行
$0表示一行内容;
$1,
$2, …
$NF表示第一列,第二列到最后一列。
NF (number of fields)文件多少列;
NR (number of rows)文件读了多少行:
FNR当前文件读了多少行,常用于多文件操作时。
a[$1]=1: 索引操作,类似于python中的字典,在
ID map,
统计中有很多应用。
常见操作
针对特定列的计算,比如wig文件的标准化ct@ehbio:~/sxbd$ cat ehbio.wig variableStep chrom=chr2 300701 12.5 300702 12.5 300703 12.5 300704 12.5 300705 12.5 ct@ehbio:~/sxbd$ awk 'BEGIN{OFS=FS="\t"}{$2=$2*10^6/(2.5*10^6); print $0}' wig tep chrom=chr2 0 300701 4.4 300702 4.8 300703 4 300704 4.8 300705 4.8
计算某列内容出现的次数。
ct@ehbio:~/sxbd$ cat count ID Type Pou5f1 Pluripotency Nanog Pluripotency Sox2 Neuron Tet1 Epigenetic Tet3 Epigenetic Myc Oncogene ct@ehbio:~/sxbd$ awk 'BEGIN{OFS=FS="\t"}{if(FNR>1) a[$2]+=1;}END{print "Type\tCount"; for(i in a) print i,a[i];}' count Type Count Neuron 1 Epigenetic 2 Oncogene 1 Pluripotency 2 # 这个也可以用下面方式代替,但不直接 ct@ehbio:~/sxbd$ tail -n +2 count | cut -f 2 | sort | uniq -c | sed -e 's/^ *//' -e 's/ */\t/' 2 Epigenetic 1 Neuron 1 Oncogene 2 Pluripotency
之前也提到过的列操作,从GTF文件中提取启动子区域
sed 's/"/\t/g' GRCh38.gtf | awk 'BEGIN{OFS=FS="\t"}{if($3=="gene") {ensn=$10; symbol=$16; if($7=="+") {start=$4-1; up=start-1000; if(up<0) up=0; dw=start+500; print $1,up, dw, ensn, symbol, $7;} else if($7=="-") {start=$5-1; up=start+1000; dw=start-500; if(dw<0) dw=0; print $1,dw,up,ensn,symbol,$7}}}' | sort -k1,1 -k2,2n >GRCh38.promoter.bed
数据矩阵的格式化输出
ct@ehbio:~/sxbd$ cat numertic.matrix ID A B C a 1.002 1.234 1.999 b 2.333 4.232 0.889 ct@ehbio:~/sxbd$ awk '{if(FNR==1) print $0; else {printf "%s%s",$1,FS; for (i=2; i<=NF; i++) printf "%.1f %s", $i, (i==NF?RS:FS)}}' numertic.matrix ID A B C a 1.0 1.2 2.0 b 2.3 4.2 0.9
判断FASTQ文件中,输出质量值的长度是与序列长度不一致的序列ID
zcat Test_2.fq.gz | awk '{if(FNR%4==1) ID=$0; else if(FNR%4==2) seq_len=length($0); else if(FNR%4==0) {quality_len=length($0); if(seq_len!=quality_len) print ID; }}'
筛选差异基因
ct@ehbio:~/sxbd$ cat de_gene ID log2fc padj A 1 0.001 B -1 0.001 C 1 0.001 D 2 0.0001 E -0.51 0.051 F 0.1 0.1 G 1 0.1 ct@ehbio:~/sxbd$ awk '$3<0.05 || NR==1' de_gene ID log2fc padj A 1 0.001 B -1 0.001 C 1 0.001 D 2 0.0001 ct@ehbio:~/sxbd$ awk 'BEGIN{OFS=FS="\t"}{if(FNR==1) print $0; else {abs_log2fc=($2<0?$2*(-1):$2);if(abs_log2fc>=1 && $3<0.05) print $0;}}' de_gene ID log2fc padj A 1 0.001 B -1 0.001 C 1 0.001 D 2 0.0001
筛选差异基因存储到不同的文件
ct@ehbio:~/sxbd$ awk 'BEGIN{OFS=FS="\t"; up="up"; dw="dw";}{if(FNR==1) {print $0 >up; print $0 >dw;} else if ($3<0.05) {if ($2>=1) print $0 >up; else if($2<=-1) print $0 >dw;}}' de_gene ct@ehbio:~/sxbd$ head up dw ==> up <== ID log2fc padj A 1 0.001 C 1 0.001 D 2 0.0001 ==> dw <== ID log2fc padj B -1 0.001
ID map,常用于转换序列的ID、提取信息、合并信息等
ct@ehbio:~/sxbd$ cat id_map ENSM Symbol Entrez ENSG00000280516 TMEM42 693149 ENSG00000281886 TGM4 7047 ENSG00000280873 DGKD 8527 ENSG00000281244 ADAMTS13 11093 ENSG00000280701 RP11-272D20.2 ENSG00000280674 ZDHHC3 51304 ENSG00000281623 Y_RNA ENSG00000280479 CACFD1 11094 ENSG00000281165 SLC2A6 11182 ENSG00000281879 ABO 28 ENSG00000282873 BCL7A 605 ENSG00000280651 AC156455.1 100506691 ct@ehbio:~/sxbd$ vim ensm ct@ehbio:~/sxbd$ cat ensm ENSG00000281244 ENSG00000281165 ENSG00000282873 ct@ehbio:~/sxbd$ awk 'BEGIN{OFS=FS="\t"}ARGIND==1{if(FNR>1) ensm2entrez[$1]=$3;}ARGIND==2{print ensm2entrez[$1];}' id_map ensm 11093 11182 605 # 替代解决方案,注意 -w的使用,避免部分匹配。最稳妥的方式还是使用awk。 ct@ehbio:~/sxbd$ grep -w -f ensm id_map | cut -f 3 11093 11182 605
转换大小写,
toupper,
tolower
ct@ehbio:~/sxbd$ cat symbol Tgm4 Dgkd Abo ct@ehbio:~/sxbd$ awk 'BEGIN{OFS=FS="\t"}ARGIND==1{if(FNR>1) ensm2entrez[$2]=$3;}ARGIND==2{print ensm2entrez[toupper($1)];}' id_map symbol 7047 8527 28
awk数值操作
# log2对数 awk 'BEGIN{OFS="\t";FS="\t"}{print log($0)/log(2)}' file # 取整,四舍五入 awk 'BEGIN{OFS="\t";FS="\t"}{print int($1+0.5);}' file
awk定义函数
awk 'function abs(x){return ((x < 0.0) ? -x : x)}BEGIN{OFS="\t";FS="\t"}{pos[1]=$1;pos[2]=$2;pos[3]=$3;pos[4]=$4; len=asort(pos);for(i=len;i>1;i--) print abs(pos[i]-pos[i-1]);}' file
字符串匹配
ct@ehbio:~/sxbd$ cat ens.bed 1 100 105 2 100 105 3 100 105 Mt 100 105 X 100 105 ct@ehbio:~/sxbd$ awk 'BEGIN{OFS=FS="\t"}{if($1~/^[0-9XY]/) $1="chr"$1; else if($1~/M.*/) gsub(/M.*/, "chrM", $1); print $0}' ens.bed chr1 100 105 chr2 100 105 chr3 100 105 chrM 100 105 chrX 100 105
字符串分割
ct@ehbio:~/sxbd$ cat trinity_id Trinity_C1_g1_i1 Trinity_C1_g1_i2 Trinity_C1_g1_i3 Trinity_C2_g1_i1 Trinity_C3_g1_i1 Trinity_C3_g3_i2 ct@ehbio:~/sxbd$ awk 'BEGIN{OFS=FS="\t"}{count=split($1, geneL, "_"); gene=geneL[1]; for(i=2;i<count;i++) gene=gene"_"geneL[i]; print gene,$1;}' trinity_id Trinity_C1_g1 Trinity_C1_g1_i1 Trinity_C1_g1 Trinity_C1_g1_i2 Trinity_C1_g1 Trinity_C1_g1_i3 Trinity_C2_g1 Trinity_C2_g1_i1 Trinity_C3_g1 Trinity_C3_g1_i1 Trinity_C3_g3 Trinity_C3_g3_i2
awk脚本
cat <<END >grade.awk f ( avg >= 90 ) grade="A"; else if ( avg >= 80) grade ="B"; else if (avg >= 70) grade ="C"; else grade="D"; END awk -f grade.awk grade
awk给每行增加行号,使其变为唯一
awk 'BEGIN{OFS="\t";FS="\t"}NR!=1{$4=$4"_"NR;print $0}' file
糅合操作
awk中执行系统命令 (注意引号的使用)# 系统命令组成字符串,交给system函数运行 awk 'BEGIN{OFS=FS="\t"}{system("mv "$1".fq "$2".fq");}' input_mat
awk 引用系统变量
ct@ehbio:~/sxbd$ echo 1 | awk -v ehbio="shengxinbaodian" -v ehbio2="SXBD" '{print ehbio, ehbio2;}' shengxinbaodian SXBD
学会了基本命令,生信分析中还有一大块是使用已经安装好的工具,针对软件安装中遇到的问题,推出了系列文章:环境变量和可执行属性彻底释义环境变量的概念;列举出Linux下软件安装的各种方法,并针对Docker和Conda分别发文介绍。
生信宝典
Linux学习 - 常用和不太常用的实用awk命令生信宝典,生物信息学习系列教程,转录组,宏基因组,外显子组,R作图,Python学习,Cytoscape视频教程
http://mp.weixin.qq.com/s/d1KCETQZ88yaOLGwAtpWYg生信宝典,最好的生物信息培训课程,培训课程资料
www.ehbio.com/Training相关文章推荐
- 轻松学习Linux之AWK使用初步
- 轻松学习Linux之AWK使用初步
- 轻松学习Linux之AWK使用初步
- Linux学习笔记13--使用mount命令挂载CDROM
- linux学习之Webmin的安装及使用
- 学习linux--vi 使用 (转载)
- linux 编程之库的使用(学习笔记)
- linux使用学习手记[不断更新]
- vimtutor的中文版-来自Linux中vimtutor命令-以备自己学习使用
- linux 下的 bochs2.4.5使用的学习收获
- 学习Linux的使用技巧
- 轻松学习Linux系统安装篇之fdisk命令行工具的使用
- 轻松学习Linux之VI编辑器的使用
- 学习linux--vi 使用
- Linux的那些事儿(11)----awk的使用
- LINUX学习 -- VI使用手册
- Linux学习随手记(1) find命令的最简单的使用方法
- LINUX学习笔记—SAMBA使用篇 smb 文件共享
- Linux 学习使用 iptables
- Linux学习笔记9--touch命令使用