如何删除每行中的部分冗余模式？答案

【问题标题】：How to remove partial redundent patterns in each raws?如何删除每行中的部分冗余模式？
【发布时间】：2022-11-17 18:25:37
【问题描述】：

我有一个这样的文件：

reference   25038   A   G   39134   1   TPPH54  TPPH49  TPPH50  TPPHL51 TPPH52  TPPH53  TPPH55  p.Thr10198Thr
reference   77940   T   C   5131    1   TPPH54  TPPH49  p.Asn898Asp
reference   77940   T   C   5131    1   TPPH29  TPPH30  TPPH32  p.Gly48Gly

我想得到：

reference   25038   A   G   39134   1   TPPH54  p.Thr10198Thr
reference   77940   T   C   5131    1   TPPH54  p.Asn898Asp
reference   77940   T   C   5131    1   TPPH29  p.Gly48Gly

如何在第一个（总是 7 美元）之后的 awk/sed/grep 模式中删除所有具有相同开头的模式？

我在想这样的事情：

只打印前 7 列和最后一列

粘贴 <(awk '{print $1, $2, $3, $4, $5, $6, $7}' 文件) <(awk '{print ?????}' file-tmp) > file-final

但我不知道如何获得最后一个，因为每个原始数字可能不同

或“扫描”文件直到有“TPPH”开头的表达式，保留第一个并为每个原始文件删除其他的。我不知道该怎么做

非常感谢您的帮助！

【问题讨论】：

标签： awk sed grep

【解决方案1】：

使用sed

$ sed -E ':a;s/(([^ 	]*[ 	]+){6}TPPH[0-9]+)[ 	]+TPPH[^ 	]*[ 	]+/	/;ta' input_file
reference   25038   A   G   39134   1   TPPH54  p.Thr10198Thr
reference   77940   T   C   5131    1   TPPH54  p.Asn898Asp
reference   77940   T   C   5131    1   TPPH29  p.Gly48Gly

【讨论】：

太棒了，比“sed -E 's/(([^ ]*[ ]+){7}).*[ ]+/ /' 文件”更好。谢谢！

【解决方案2】：

使用 GNU awk 中显示的示例，请尝试遵循 awk 代码。使用 awk 的 match 函数，其中使用正则表达式捕获所需的部分，进一步创建 2 个捕获组并将它们保存到名为 arr 的数组中，索引为 1,2 等等。然后根据需要的输出打印它们的值。

awk '
match($0,/^(S+s+S+s+S+s+S+s+S+s+S+s+S+).*[[:space:]]+(S+)/,arr){
  print arr1,arr2
}
' Input_file

【讨论】：

非常感谢您的快速回答！由于“awk：第 2 行：位于或附近的语法错误”，它无法正常工作。我不确定你的代码中的 arr、arr1 和 arr2
@vmicrobio，已在移动设备上编写，因此无法对其进行测试，但这应该可以恕我直言。请您确认是否已完全复制，请让我知道干杯。

【解决方案3】：

你可以这样做：

awk '{print $1, $2, $3, $4, $5, $6, $7, $NF}' file | column -t
reference  25038  A  G  39134  1  TPPH54  p.Thr10198Thr
reference  77940  T  C  5131   1  TPPH54  p.Asn898Asp
reference  77940  T  C  5131   1  TPPH29  p.Gly48Gly

此处column -t 仅用于表格显示。

【讨论】：