注册    登录
专栏名称: 生信宝典
生物信息分析入门、晋级和经验分享。Linux、R、Python学习教程；高通量测序数据分析学习教程；生信软件安装教程。所有内容均为原创分享，致力于从基础学习到提高整个过程。
我也要提交微信公众号
分享
目录
今天看啥  ›  专栏  ›  生信宝典

[原创]Linux学习 - 常用和不太常用的实用awk命令

生信宝典  · 公众号  · 生物  · 2020-02-28 09:40

Linux学习系列文章是生信宝典最开始主推的一块，力图从一个新额视角帮助初学者快速入门Linux系统，熟悉Linux下的文件和目录，文件操作， 文件内容操作。而且教程摒弃了完美操作，列举出常见错误和解决方式，管道、标准输入输出解惑Linux下多种信息输出方式（点击文中的蓝色字体，皆可链接到对应教程）。

在文件排序和FASTA文件操作中简述了awk和sed的使用，作为一个引子。本篇则详细列举关于awk常用的操作和一些偏门的操作。

awk基本参数解释

awk擅长于对文件按行操作，每次读取一行，然后进行相应的操作。

awk读取单个文件时的基本语法格式是awk 'BEGIN{OFS=FS="\t"}{print $0, $1;}' filename。

读取多个文件时的语法是awk 'BEGIN{OFS=FS="\t"}ARGIND==1{print $0, $1;}ARGIND==2{}' file1 file2。

awk后面的命令部分是用引号括起来的，可以单引号，可以双引号，但注意不能与内部命令中用到的引号相同，否则会导致最相邻的引号视为一组，引发解释错误。

OFS: 文件输出时的列分隔符 (output field separtor)

FS: 文件输入时的列分隔符 (field separtor)

BEGIN: 设置初始参数，初始化变量

END: 读完文件后做最终的处理

其它{}：循环读取文件的每一行

$0表示一行内容；$1, $2, … $NF表示第一列，第二列到最后一列。

NF (number of fields)文件多少列；NR (number of rows) 文件读了多少行: FNR 当前文件读了多少行，常用于多文件操作时。

a[$1]=1: 索引操作，类似于python中的字典，在ID map，统计中有很多应用。

常见操作

  • 针对特定列的计算，比如wig文件的标准化

ct@ehbio:~/sxbd$ cat ehbio.wig
variableStep chrom=chr2
300701    12.5
300702    12.5
300703    12.5
300704    12.5
300705    12.5
ct@ehbio:~/sxbd$ awk 'BEGIN{OFS=FS="\t"}{$2=$2*10^6/(2.5*10^6); print $0}' wig
tep chrom=chr2    0
300701    4.4
300702    4.8
300703    4
300704    4.8
300705    4.8

  • 计算某列内容出现的次数。

ct@ehbio:~/sxbd$ cat count
ID    Type
Pou5f1    Pluripotency
Nanog    Pluripotency
Sox2    Neuron
Tet1    Epigenetic
Tet3    Epigenetic
Myc    Oncogene
ct@ehbio:~/sxbd$ awk 'BEGIN{OFS=FS="\t"}{if(FNR>1) a[$2]+=1;}END{print "Type\tCount"; for(i in a) print i,a[i];}' count
Type    Count
Neuron    1
Epigenetic    2
Oncogene    1
Pluripotency    2

# 这个也可以用下面方式代替，但不直接
ct@ehbio:~/sxbd$ tail -n +2 count | cut -f 2 | sort | uniq -c | sed -e 's/^  *//' -e 's/  */\t/' 
2    Epigenetic
1    Neuron
1    Oncogene
2    Pluripotency

  • 之前也提到过的列操作，从GTF文件中提取启动子区域

sed 's/"/\t/g' GRCh38.gtf | awk 'BEGIN{OFS=FS="\t"}{if($3=="gene") {ensn=$10; symbol=$16; if($7=="+") {start=$4-1; up=start-1000; if(up<0) up=0; dw=start+500; print $1,up, dw, ensn, symbol, $7;} else if($7=="-") {start=$5-1; up=start+1000; dw=start-500; if(dw<0) dw=0; print $1,dw,up,ensn,symbol,$7}}}' | sort -k1,1 -k2,2n >GRCh38.promoter.bed

  • 数据矩阵的格式化输出

ct@ehbio:~/sxbd$ cat numertic.matrix
ID    A    B    C
a    1.002    1.234    1.999
b    2.333    4.232    0.889
ct@ehbio:~/sxbd$ awk '{if(FNR==1) print $0; else {printf "%s%s",$1,FS; for (i=2; i<=NF; i++) printf "%.1f %s", $i, (i==NF?RS:FS)}}' numertic.matrix
ID    A    B    C
a 1.0  1.2  2.0 
b 2.3  4.2  0.9

  • 判断FASTQ文件中，输出质量值的长度是与序列长度不一致的序列ID

zcat Test_2.fq.gz | awk '{if(FNR%4==1) ID=$0; else if(FNR%4==2) seq_len=length($0); else if(FNR%4==0) {quality_len=length($0); if(seq_len!=quality_len) print ID; }}'

  • 筛选差异基因

ct@ehbio:~/sxbd$ cat de_gene
ID    log2fc    padj
A    1    0.001
B    -1    0.001
C    1    0.001
D    2    0.0001
E    -0.51    0.051
F    0.1    0.1
G    1    0.1

ct@ehbio:~/sxbd$ awk '$3<0.05 || NR==1' de_gene
ID    log2fc    padj
A    1    0.001
B    -1    0.001
C    1    0.001
D    2    0.0001

ct@ehbio:~/sxbd$ awk 'BEGIN{OFS=FS="\t"}{if(FNR==1) print $0; else {abs_log2fc=($2<0?$2*(-1):$2);if(abs_log2fc>=1 && $3<0.05) print $0;}}' de_gene
ID    log2fc    padj
A    1    0.001
B    -1    0.001
C    1    0.001
D    2    0.0001

  • 筛选差异基因存储到不同的文件

ct@ehbio:~/sxbd$ awk 'BEGIN{OFS=FS="\t"; up="up"; dw="dw";}{if(FNR==1) {print $0 >up; print $0 >dw;} else if ($3<0.05) {if ($2>=1) print $0 >up; else if($2<=-1) print $0 >dw;}}' de_gene
ct@ehbio:~/sxbd$ head up dw
==> up <==
ID    log2fc    padj
A    1    0.001
C    1    0.001
D    2    0.0001

==> dw <==
ID    log2fc    padj
B    -1    0.001

  • ID map，常用于转换序列的ID、提取信息、合并信息等

ct@ehbio:~/sxbd$ cat id_map
ENSM    Symbol    Entrez
ENSG00000280516    TMEM42    693149
ENSG00000281886    TGM4    7047
ENSG00000280873    DGKD    8527
ENSG00000281244    ADAMTS13    11093
ENSG00000280701    RP11-272D20.2    
ENSG00000280674    ZDHHC3    51304
ENSG00000281623    Y_RNA    
ENSG00000280479    CACFD1    11094
ENSG00000281165    SLC2A6    11182
ENSG00000281879    ABO    28
ENSG00000282873    BCL7A    605
ENSG00000280651    AC156455.1    100506691
ct@ehbio:~/sxbd$ vim ensm
ct@ehbio:~/sxbd$ cat ensm
ENSG00000281244
ENSG00000281165
ENSG00000282873
ct@ehbio:~/sxbd$ awk 'BEGIN{OFS=FS="\t"}ARGIND==1{if(FNR>1) ensm2entrez[$1]=$3;}ARGIND==2{print ensm2entrez[$1];}' id_map ensm
11093
11182
605

# 替代解决方案，注意 -w的使用，避免部分匹配。最稳妥的方式还是使用awk。

ct@ehbio:~/sxbd$ grep -w -f ensm id_map | cut -f 3
11093
11182
605

  • 转换大小写, toupper, tolower

ct@ehbio:~/sxbd$ cat symbol
Tgm4
Dgkd
Abo

ct@ehbio:~/sxbd$ awk 'BEGIN{OFS=FS="\t"}ARGIND==1{if(FNR>1) ensm2entrez[$2]=$3;}ARGIND==2{print ensm2entrez[toupper($1)];}' id_map symbol
7047
8527
28

  • awk数值操作

# log2对数
awk 'BEGIN{OFS="\t";FS="\t"}{print log($0)/log(2)}' file

# 取整,四舍五入
awk 'BEGIN{OFS="\t";FS="\t"}{print int($1+0.5);}' file

  • awk定义函数

awk 'function abs(x){return ((x < 0.0) ? -x : x)}BEGIN{OFS="\t";FS="\t"}{pos[1]=$1;pos[2]=$2;pos[3]=$3;pos[4]=$4; len=asort(pos);for(i=len;i>1;i--) print abs(pos[i]-pos[i-1]);}' file

  • 字符串匹配

ct@ehbio:~/sxbd$ cat ens.bed
1    100    105
2    100    105
3    100    105
Mt    100    105
X    100    105
ct@ehbio:~/sxbd$ awk 'BEGIN{OFS=FS="\t"}{if($1~/^[0-9XY]/) $1="chr"$1; else if($1~/M.*/) gsub(/M.*/, "chrM", $1); print $0}' ens.bed
chr1    100    105
chr2    100    105
chr3    100    105
chrM    100    105
chrX    100    105

  • 字符串分割

ct@ehbio:~/sxbd$ cat trinity_id
Trinity_C1_g1_i1
Trinity_C1_g1_i2
Trinity_C1_g1_i3
Trinity_C2_g1_i1
Trinity_C3_g1_i1
Trinity_C3_g3_i2
ct@ehbio:~/sxbd$ awk 'BEGIN{OFS=FS="\t"}{count=split($1, geneL, "_"); gene=geneL[1]; for(i=2;i trinity_id
Trinity_C1_g1    Trinity_C1_g1_i1
Trinity_C1_g1    Trinity_C1_g1_i2
Trinity_C1_g1    Trinity_C1_g1_i3
Trinity_C2_g1    Trinity_C2_g1_i1
Trinity_C3_g1    Trinity_C3_g1_i1
Trinity_C3_g3    Trinity_C3_g3_i2

  • awk脚本

cat <grade.awk
f ( avg >= 90 ) grade="A";
else if ( avg >= 80) grade ="B";
else if (avg >= 70) grade ="C";
else grade="D";
END

awk -f grade.awk grade

  • awk给每行增加行号，使其变为唯一

awk 'BEGIN{OFS="\t";FS="\t"}NR!=1{$4=$4"_"NR;print $0}' file

糅合操作

  • awk中执行系统命令 (注意引号的使用)

# 系统命令组成字符串，交给system函数运行
awk 'BEGIN{OFS=FS="\t"}{system("mv "$1".fq "$2".fq");}' input_mat

  • awk 引用系统变量

ct@ehbio:~/sxbd$ echo 1 | awk -v ehbio="shengxinbaodian" -v ehbio2="SXBD" '{print ehbio, ehbio2;}'
shengxinbaodian SXBD

学会了基本命令，生信分析中还有一大块是使用已经安装好的工具，针对软件安装中遇到的问题，推出了系列文章：环境变量和可执行属性彻底释义环境变量的概念；列举出Linux下软件安装的各种方法，并针对Docker和Conda分别发文介绍。

推荐阅读


往期精品(点击图片直达文字对应教程)


后台回复“生信宝典福利第一波”或点击阅读原文获取教程合集



今天看啥 -
本文地址：http://www.jintiankansha.me/t/B1CwcKeZSe
分享到
 
推荐文章
BioArt  ·  CSC | 孙成宜等进一步阐明脂肪细胞的来源，揭示PDGFRα和PDGFβ在不同脂肪前体细胞中对脂肪分化的调节作用
13 小时前
生物探索  ·  靠谱也不靠谱的“群体免疫” | 图图是道
昨天
BioArt  ·  Nature | piRNA前体产生的机制
2 天前
生信人  ·  nature communications|NSCLC T细胞综合分析
3 天前
生信菜鸟团  ·  菜鸟团一周文献推荐（No.53）
4 天前
生信菜鸟团  ·  Cell | 单细胞技术揭示人肝细胞图谱
1 周前
生信菜鸟团  ·  可重复的生信分析系列二:Conda的介绍
1 周前
BGI华大  ·  请转给新冠病毒研究人员！华大告诉您新冠病毒全基因组变异监测方法该怎么挑
4 天前
BioArt  ·  陶生策团队开发SARS-CoV-2蛋白质芯片并用于新冠病人血清IgG/ IgM分析
4 天前
生物探索  ·  张文宏解读美国疫情，一个半小时直播要点回顾，信息量超大！
5 天前
关于   移动版   ·   SoV5搜索   ·   Python社区   ·   Link管理   ·   三行代码
今天看啥 - 让阅读更高品质
© 2019 ~ 沪ICP备11025650号