构建蛋白质组学数据的 Bash 代码答案

【问题标题】：Bash code to struture proteomics data构建蛋白质组学数据的 Bash 代码
【发布时间】：2017-12-21 15:09:13
【问题描述】：

我需要有关重组数据集的帮助，以便执行下游分析。我目前正在处理蛋白质组学数据并希望进行比较分析。问题是蛋白质ID。一般来说，一种蛋白质可以有超过 1 个 id，它们由“;”分隔。我需要打印具有不同蛋白质 ID 的同一蛋白质的整行。例如：-

输入文件：

        tom dick harry  jan
a;b;c   1     2    3     4
d;e     4     5    7     3

理想的输出：

    tom dick harry jan
a   1   2   3   4
b   1   2   3   4
c   1   2   3   4
d   4   5   7   3
e   4   5   7   3

提前非常感谢

【问题讨论】：

你为什么用 R 标记这个？

标签： linux bash awk grep

【解决方案1】：

$ awk 'NR==1{$0="key "$0} {split($1,a,/;/); for (i=1; i in a; i++) { $1=a[i]; print } }' file | column -t
key  tom  dick  harry  jan
a    1    2     3      4
b    1    2     3      4
c    1    2     3      4
d    4    5     7      3
e    4    5     7      3

如果你不喜欢它，你可以从输出中简单地删除单词“key”，但恕我直言，有些列有标题，有些没有标题是一个非常糟糕的主意 - 只会让任何进一步的处理变得更加困难。

【讨论】：

感谢您的即时回复。我已经尝试了您建议的代码并且它有效。唯一的问题是新生成的数据集确实根据“;”拆分了“键”并创建了一个新行，但不知何故未能打印这些行，因此将它们留为空白（第一行除外）。例如：在 a;b;c 之间，它只为“a”打印，其中 b 和 c 虽然是分开的，但是是空行。您对此的输入将对我有益。非常感谢
听起来您的输入文件有问题。也许它是在 Windows 上生成的，因此包含 control-Ms？尝试在输入文件上运行dos2unix 或类似内容，然后再在其上运行 UNIX 工具。

【解决方案2】：

#!/bin/bash

read header
printf "%4s %s\n" "" "$header"

while true
do
  read ids values
  for id in $(tr ';' ' ' <<< "$ids")
  do
    printf "%-4s %s\n" "$id" "$values"
  done
done

这会读取标题并打印（格式略有不同），然后读取每一行并为每一行打印一堆行，每个id 在行首给出一行。为了找到ids，ids 字符串用分号 (;) 分割。

【讨论】：

阅读unix.stackexchange.com/questions/169716/… 了解不这样做的一些原因。
我已经知道所有给出的推理，但我仍然发现循环方法是这种情况下的最佳解决方案。通常一个完美的解决方案也可以处理空字节（根本不应该在输入中）或像机器代码一样高性能，并不是解决手头具体问题的最佳解决方案。实施时间通常是最有价值的方面。除非提出类似的小解决方案，否则我会坚持我的。
wrt Unless a similarly small solution is presented, I stick to mine - the solution I posted 更简洁、更便携、更健壮、更易于增强，并且运行速度将提高几个数量级。