awk - 從變量追加字段

Question

首先發布在這裏，它是和awk的問題。

我有一個看起來像這樣的文件：

Motif name class from to strand sequence score 
>ENSBTAG00000000436       
MA0079.2 SP1 Zinc-coordinating 29 38 - agggggtggg 6.33 
... (50 similar lines) 
>ENSBTAG00000000380       
MA0113.1 NR3C1 Zinc-coordinating 92 109 - ccagaaagtgcttctccc 7.03 
... (57 similar lines) 

等。請注意，> ENSBTA行是一組記錄的「標籤」。所以，想什麼，我是開始MA的> ENSBTA線被追加作爲線場...即

MA0079.2 SP1 Zinc-coordinating 29 38 - agggggtggg 6.33 >ENSBTAG00000000436 

到目前爲止，我有

awk '{if (NR>1&&NF==1) genename=$1; if (NR>1&&NF>1) print $0, genename}' 

這是相當接近，但它不會將ENST標識符保留在正確的行中。因此，參考上面的示例，文件第二部分的所有57行都不會得到正確的標識符（ENSBTAG00000000380）。

有人可以請建議最好的方式去做這件事嗎？

感謝

伊恩

Answer 1

沒有測試，但是這樣的事情應該自己想要的是接近：

awk '/^>ENSBTAG/{tag=$0;}/^MA/{print $0,tag}' 

，說基本上如果線路匹配「> ENSBTAG」在將該行保存在一個變量中，但是如果它與行的開頭處的「MA」匹配，則打印添加了最新標記的行。

如果您的記錄行不總是匹配「^ MA」（示例中的所有記錄都行，但我不想這麼做），或者標記有時看起來有點不同，需要相應地修改正則表達式。

Answer 2

這個oneliner會給你下面的輸出（見測試）。第一行"Motif name class from to strand sequence score"也將被打印。

awk '/^>[A-Z]*/{l=$0;next;}{print $0" "l}' file 

測試

kent$ cat a 
Motif name class from to strand sequence score 
>ENSBTAG00000000436 
MA0079.2 SP1 Zinc-coordinating 29 38 - agggggtggg 6.33 
MA0080.2 SP1 Zinc-coordinating 29 38 - agggggtggg 6.34 
MA0082.2 SP1 Zinc-coordinating 29 38 - agggggtggg 6.35 
>ENSBTAG00000000380 
MA0113.1 NR3C1 Zinc-coordinating 92 109 - ccagaaagtgcttctccc 7.03 
MA0113.1 NR3C1 Zinc-coordinating 92 109 - ccagaaagtgcttctccc 7.04 
MA0113.1 NR3C1 Zinc-coordinating 92 109 - ccagaaagtgcttctccc 7.05 

kent$ awk '/^>[A-Z]*/{l=$0;next;}{print $0" "l}' a 
Motif name class from to strand sequence score 
MA0079.2 SP1 Zinc-coordinating 29 38 - agggggtggg 6.33 >ENSBTAG00000000436 
MA0080.2 SP1 Zinc-coordinating 29 38 - agggggtggg 6.34 >ENSBTAG00000000436 
MA0082.2 SP1 Zinc-coordinating 29 38 - agggggtggg 6.35 >ENSBTAG00000000436 
MA0113.1 NR3C1 Zinc-coordinating 92 109 - ccagaaagtgcttctccc 7.03 >ENSBTAG00000000380 
MA0113.1 NR3C1 Zinc-coordinating 92 109 - ccagaaagtgcttctccc 7.04 >ENSBTAG00000000380 
MA0113.1 NR3C1 Zinc-coordinating 92 109 - ccagaaagtgcttctccc 7.05 >ENSBTAG00000000380