Unix将字符串和数字排序在一起

Question

我有一个我认为应该是常见问题的问题，但我还没有找到任何好的解决方案。

我有一个文件，其中每一行都有一个染色体编号、染色体中的起始位置和一些相关值，如下所示。

1       1.07299851019   1       1.07299851019   HQ      chrY    2845223         +       0.251366120219  46      
1       1.06860686763   1       1.06860686763   HQ      chr10   88595309        +       0.256830601093  47      
1       1.04688316093   3       3.14064948278   HQ      chr6    49126474        +       0.295081967213  54      
1       1.1563829915    1       1.1563829915    HQ      chrX    16428176        +       0.185792349727  34      

我想在染色体（第 6 列）和起始位置（第 7 列）上使用 unix 排序命令对这个文件进行排序。在四处搜索后，我想出了这个，这让我非常接近：

nohup sort -t $'\t' -k 6.4,6.5n -k 7,7n   

我无法解决的剩下的问题是，虽然用数字编号的染色体可以正常排序，但 X 和 Y 染色体在起始位置上被排序在一起，如下所示：

1       0.978579587641  9       8.80721628876   HQ      chrX    2861057 -       0.431693989071  79      
1       0.979500536702  1       0.979500536702  HQ      chrY    2861314 -       0.420765027322  77      
1       0.969979601694  9       8.72981641525   HQ      chrX    2861649 -       0.469945355191  86   

我知道有可能解决例如通过用数字替换 chrX 和 chrY，或者编写一个程序来解决它，但是能够使用一个简单的命令会非常好，特别是因为文件大小通常很大而且我反复这样做。

如果染色体按照 1 到 22 的顺序排列，然后是 X 和 Y。我的命令先是 X 和 Y，然后是 1 到 22 号染色体。

Answer 1

要将X 与Y 分开，您可以指定一个备用键：

nohup sort -t $'\t' -k 6.4,6.5n -k 6 -k 7,7n

（这表示如果字段6.4,6.5 中的两行在数值上是相等的，那么下一步是在字段6 中比较它们非-在尝试字段之前7)。

免责声明：这不满足您最后一段中的目标：

如果染色体按照 1 到 22 的顺序排列，然后是 X 和 Y。我的命令先是 X 和 Y，然后是 1 到 22 号染色体。

因为X 和Y 在数字排序期间仍将被视为零，并且回退不会改变这一点。无论如何，希望你觉得它很有用。

我知道有可能解决例如通过用数字替换 chrX 和 chrY，[…]

确实，您可以即时进行替换：

sed 's/chrX/chr23/; s/chrY/chr24/' |
  sort -t $'\t' -k 6.4,6.5n -k 7,7n |
  sed 's/chr23/chrX/; s/chr24/chrY/'

（请注意，此命令中的换行符是可选的；我将它们包括在内是为了便于阅读，但如果您愿意，如果/当您实际使用它时，您可以将其放在一行中。）

Answer 2

如果您的sort 版本支持用于对字母数字列进行排序的-V 选项，那么您可以执行以下操作：

$ cat file
1   1.07299851019   1   1.07299851019   HQ  chrY    2845223     +   0.251366120219  46
1   1.06860686763   1   1.06860686763   HQ  chr10   88595309    +   0.256830601093  47
1   1.04688316093   3   3.14064948278   HQ  chr6    49126474    +   0.295081967213  54
1   1.1563829915    1   1.1563829915    HQ  chrX    16428176    +   0.185792349727  34

$ sort -t$'\t' -k6V -k7n file
1   1.04688316093   3   3.14064948278   HQ  chr6    49126474    +   0.295081967213  54
1   1.06860686763   1   1.06860686763   HQ  chr10   88595309    +   0.256830601093  47
1   1.1563829915    1   1.1563829915    HQ  chrX    16428176    +   0.185792349727  34
1   1.07299851019   1   1.07299851019   HQ  chrY    2845223     +   0.251366120219  46

Answer 3

详细说明 jaypal 之前的回答...

您可以像这样更改每列的排序标准：

sort -k1,1V input.txt

这将使用上述 -V 选项对第 1 列且仅第 1 列进行排序，该选项如下引用自 here。

-V 的意思是“文本中自然排序的（版本）数字”（类型 man sort to find)，它神奇地对数字和文本进行排序。

如果您在制表符分隔的文件中有多个列，并且您想要指定主要列的排序顺序，您可以执行以下操作：

sort -k14,14V -k1,1n input.txt

上面将使用第14列作为第一个排序索引并应用-V排序算法，然后将使用第1列作为二级排序索引并使用数字排序。 （这在某些圈子中可能对按染色体排序然后位置有用）。

解决 OSX 用户缺少的 -V 选项：

Mac OS X 原生排序不支持 -V，您将拥有 安装 GNU 核心实用程序并改用 gsort。

要快速了解-V 排序的工作原理，您可以查看以下示例...

示例输入：

chr21   
chr2    
chr3    
chrY    
chr1    
chr3    
chr10   
chrX    

V 排序输出：

chr1    
chr2    
chr3    
chr3    
chr10   
chr21   
chrX    
chrY