如何计算一行中模式的出现

8

我有一个包含三列的文件。第3列包含基因名称，看起来像这样：

Rv0729,Rv0993,Rv1408  
Rv0162c,Rv0761c,Rv1862,Rv3086  
Rv2790c

如何打印每一行中的基因数量？

text-processing

— 赛沙
source

第四栏？如果该列已被占用（示例中的第二行），或者其他列为空（最后一行），该怎么办？

— 库萨兰达

@Kusalananda从我的查询中删除了该标准:)

— Saisha

快速查看，所有答案都将逗号分隔的字段或与Rv*模式匹配的字符串计算在行中的任何位置，而不仅是在特定列中。因此，我只是要注意，如果文件中确实有其他数据（此处的问题未提供），则可能需要相应地修改解决方案。（或澄清问题。）

— ilkkachu

10

您只想添加一个包含列数的列。这可以使用awk：

$ awk -F ',' '{ printf("%d,%s\n", NF, $0) }' data.in
3,Rv0729,Rv0993,Rv1408
4,Rv0162c,Rv0761c,Rv1862,Rv3086
1,Rv2790c

NF是一个awk变量，包含当前记录（行）中的字段（列）数。我们为每行打印此数字，后跟逗号和该行的其余部分。

另一种选择（相同的结果，但看起来可能更干净）：

$ awk -F ',' 'BEGIN { OFS=FS } { print NF, $0 }' data.in

FS是awk用于将每个记录分成多个字段的字段分隔符，我们-F ','在命令行上将其设置为逗号（与第一个解决方案一样）。OFS是输出字段分隔符，我们将其设置为与FS读取输入的第一行之前相同。

— 库萨兰达
source

5

如果您想计算Rv[0-9]{4}c?模式出现的次数，而不是问题所提示的逗号分隔字段的数目，则可以执行以下操作：

 awk '{print gsub(/Rv[0-9]{4}c?/, "&"), $0}'

— 斯特凡·查泽拉斯
source

4

Perl方法：

$ perl -F, -pae 's/^/$#F+1 . ","/e' file
3,Rv0729,Rv0993,Rv1408  
4,Rv0162c,Rv0761c,Rv1862,Rv3086  
1,Rv2790c

该-a品牌perl表现得像awk和分裂上由下式给出的串中的每个输入线-F和保存生成的字段到阵列@F。因此，$#F将是中的最高数组索引，@F并且由于数组从开始计数0，$#F+1将是数组中元素的总数。的-p意思是“由aplpying给出的脚本后打印每个输入线-e。该s///是替换操作符和这里进行了更换的线（的开头^）与字段的+ 1的数目和逗号（$#F+1 . ","）。

— Terdon
source

1

您的问题指出第3列包含基因名称。我假设您的实际输入如下：

column1 column2 Rv0729,Rv0993,Rv1408  
column1 column2 Rv0162c,Rv0761c,Rv1862,Rv3086  
column1 column2 Rv2790c

column3中的每个基因名称均包含前导Rv子字符串。因此我们可以这样在python中对它们进行计数：

$ python -c  "import sys;print map(lambda x: x.split()[2].count('Rv'),sys.stdin.readlines())"  < input.txt               
[3, 4, 1]

产生的列表按其各自的顺序显示了每个品系中的基因计数。如果我们想使其更为冗长，并考虑基因可能不包含“ Rv”字符串的可能性（但要假设column3是逗号分隔的值字符串），我们还可以执行以下操作：

#!/usr/bin/env python
import sys
with open(sys.argv[1]) as fd:
    for index,line in enumerate(fd):
        columns = line.strip().split()
        num_genes=len(columns[2].split(","))
        print("Line "+str(index)+" contains "+str(num_genes))

测试运行：

$ ./count_genes.py input.txt                                                                                             
Line 0 contains 3
Line 1 contains 4
Line 2 contains 1

— 塞尔吉·科洛季亚兹尼（Sergiy Kolodyazhnyy）
source