Команда LINUX AWK для большого файла

Question

Я столкнулся с проблемой, которая превосходит мои базовые знания в области unix и была бы очень признательна за помощь. У меня есть большой файл в следующем формате:

chr1 10495 10499 211 
chr1 10496 10500 1 
chr1 10587 10591 93 
chr1 10588 10592 1 
chr1 10639 10643 4 
chr1 10668 10672 11 
chr1 10697 10701 13 
chr1 10726 10730 8 
chr1 10755 10759 7 
chr1 10784 10788 5 
chr2 10856 10860 4 
chr3 10932 10936 6 
chr3 10933 10937 2 
chr5 11056 11060 4 
chr6 11155 11159 9 

Если значения в столбце один матч и один разница число в колонке два, я хочу суммировать значения в колонке 4 обеих линий и заменить значение столбца 3 в строке 1 со значением столбца 3 в строке 2, иначе просто значения в уникальной строке без изменения любого столбца.

Так что выход я надеюсь на будет выглядеть следующим образом:

chr1 10495 10500 212 
chr1 10587 10592 94 
chr1 10639 10643 4 
chr1 10668 10672 11 
chr1 10697 10701 13 
chr1 10726 10730 8 
chr1 10755 10759 7 
chr1 10784 10788 5 
chr2 10856 10860 4 
chr3 10932 10937 8 
chr5 11056 11060 4 
chr6 11155 11159 9 

Answer 1

$ cat tst.awk 
BEGIN { OFS="\t" } 
NR>1 { 
    if (($1==p[1]) && ($2==(p[2]+1))) { 
     print p[1], p[2], $3, p[4]+$4 
     delete p[0] 
     next 
    } 
    else if (0 in p) { 
     print p[0] 
    } 
} 
{ split($0,p); p[0]=$0 } 
END { if (0 in p) print p[0] } 
$ 
$ awk -f tst.awk file 
chr1 10495 10500 212 
chr1 10587 10592 94 
chr1 10639 10643 4 
chr1 10668 10672 11 
chr1 10697 10701 13 
chr1 10726 10730 8 
chr1 10755 10759 7 
chr1 10784 10788 5 
chr2 10856 10860 4 
chr3 10932 10937 8 
chr5 11056 11060 4 
chr6 11155 11159 9 

Answer 2

Не проверено близко, но я думаю, что вы хотите:

awk '{split(p,a)} 
    $1==a[1] && a[2]==$2-1{print a[1], a[2], $3, $4 + a[4]; p=""; next} 
    p {print p} {p=$0} 
    END {print}' OFS=\\t input 

В любой стадии (за исключением первой), p содержит значение из предыдущей строки. Вторая строка скрипта проверяет, совпадает ли первое поле в текущей строке с первым полем последней строки и второе поле больше второго поля последней строки. В этом состоянии он печатает первые два поля из предыдущей строки, третий из текущей строки и сумму 4-го поля и переходит к следующей строке. Если они не совпадают, он печатает предыдущую строку. В конце он просто печатает строку.

Answer 3

Этого сценарий, я использую, чтобы объединить интервалы в данном транскрипте

awk ' 
    NR==1{ 
     n= split($0, first); 
     c=1; 
     for(i=1; i<=n; i++) d[c, i] = first[i]; 
    } 
    NR>1{ 
     n= split($0, actual); 
     #if(actual[1] != d[c, 1] || actual[2]>d[c, 3]){ #for interval fusion 
     if(actual[1] != d[c, 1] || actual[2]>d[c,2]+1){ #OP requirement 
      c++; 
      for(i=1; i<=n; i++) d[c, i] = actual[i]; 
     }else{ 
      if(actual[3] > d[c,3]) d[c,3] = actual[3]; 
      d[c,4] = d[c,4] + actual[4]; 
     } 
    } 
    END{ 
     for(i=1; i<=c; i++){ 
      print d[i, 1], d[i, 2], d[i, 3], d[i, 4] 
     } 
    }' file 

вы получите:

 
chr1 10495 10500 212 
chr1 10587 10592 94 
chr1 10639 10643 4 
chr1 10668 10672 11 
chr1 10697 10701 13 
chr1 10726 10730 8 
chr1 10755 10759 7 
chr1 10784 10788 5 
chr2 10856 10860 4 
chr3 10932 10937 8 
chr5 11056 11060 4 
chr6 11155 11159 9