从制表符分隔的文件中删除带有模式的字符

Posted 2023-02-19

【中文标题】从制表符分隔的文件中删除带有模式的字符

【英文标题】：Remove characters with pattern from a tab-delimited file

【发布时间】：2021-06-20 22:53:57

【问题描述】：

我有一些带有模式的保存文件，例如

NODE_1_length_59711_cov_84.026979_g0_i0_1	12.8
NODE_1_length_59711_cov_84.026979_g0_i0_2	18.9
NODE_2_length_59711_cov_84.026979_g0_i0_1	14.3
NODE_2_length_59711_cov_84.026979_g0_i0_2	16.1
NODE_165433_length_59711_cov_84.026979_g0_i0_1	29

我想删除从“1”开始到最后一个“_”的所有字符。这样我就可以从多个文件中获得这样的输出-

1_1	12.8
1_2	18.9
2_1	14.3
2_2	16.1
165433_1	29

【问题讨论】：

欢迎来到 SO，请在您的问题中以代码的形式添加您的努力，这在 SO 上受到强烈鼓励，谢谢。

echo 'NODE_165433_length_59711_cov_84.026979_g0_i0_1' | sed -E 's/^NODE_([0-9]+)_.*_([0-9]+)/\1_\2/'

【参考方案1】：

使用 GNU awk：

awk -F "\t" ' fld1=gensub(/(^NODE_)([[:digit:]]+)(.*)([[:digit:]]+$)/,"\\2_\\4","g",$1);OFS=IFS;print fld1"\t"$2' file

解释：

awk -F "\t" '                                                       # Set the field separator to tab
               fld1=gensub(/(^NODE_)([[:digit:]]+)(.*)([[:digit:]]+$)/,"\\2_\\4","g",$1);                                      # Split the first field into 4 sections represented in parenthesis and then substitute the line for the the second section, a "_" and then the fourth section. Read the result into a variable fld1
               print fld1"\t"$2                                      # Print fld1, followed by a tab and then the second field.
             ' file

【参考方案2】：

see demo

echo 'NODE_165433_length_59711_cov_84.026979_g0_i0_1' | sed -E 's/^NODE_([0-9]+)_.*_([0-9]+)/\1_\2/'

输出：

165433_1