separe um dado de uma coluna por caracteres repetidos em tantas colunas quanto os caracteres uniq

Question

Então, eu tenho um arquivo assim:

• file1 : três colunas

  SNP Id Geno
  1 a AB
  2 a AB
  3 a BB
  . . .
  . . .
  . . .
  1 b AB
  2 b BB
  3 b AB
  . . .
  . . .
  . . .
  1 c AA
  2 c AB
  3 c AA
  . . .
  . . .
  . . .
  

e eu preciso de um arquivo como esse:

• file2 : tantas colunas quanto os números de ID com seus genótipos

  SNP Genoa Genob Genoc . . .
  1 AB AB AA
  2 AB BB AB
  3 BB AB AA
  . . . .
  . . . .
  . . . .
  

Answer 1

Este script não é nem magro nem legível, mas funciona e, ao contrário da solução awk já publicada, também gera a linha de cabeçalho:

sed 'G;s/^SNP.*/SNP/
/^1 /s/ \([^ ]*\) .*SNP[^[:cntrl:]]*/& Geno/
s/^\([0-9]*\) [^ ]*\( [AB]*\)\n\(.*\n [AB ]*\)//
s/^\([0-9]*\) [^ ]*\( [AB]*\)\(\n\)\(.*\)//
h
$!d' file1 > file2

Sem ser um usuário awk , eu acho que você pode expandir a solução awk como esta para gerar a linha de cabeçalho também:

awk '{if ($1==1) h=h" Geno"$2
if ($1!="SNP") g[$1]=g[$1]" "$3}
END {print "SNP"h; for (i in g) print i g[i]}' file1 > file2

    

Answer 2

awk '{g[$1] = g[$1] " " $3}
     END {for (i in g) print i g[i]}' < file1 > file2

Ou para preservar a ordem:

awk '! ($1 in g) {snp[n++] = $1}
     {g[$1] = g[$1] " " $3}
     END {for (i = 0; i < n; i++) print snp[i] g[snp[i]]}' < file1 > file2

Para incluir o cabeçalho "SNP Genoa Genob ...":

awk 'NR == 1 {header = $1; prefix = $3; next}
     first == "" {first = "" $1}
     $1 == first {header = header " " prefix $2}
     ! ($1 in g) {snp[n++] = $1}
     {g[$1] = g[$1] " " $3}
     END {
       print header
       for (i = 0; i < n; i++) print snp[i] g[snp[i]]
     }' < file1 > file2

    

Answer 3

perl -lane '
   next if $. == 1;                                     # skip header
   $A[@A] = $F[1] if /^1\h/;                            # populate new header
   push @{$h{$F[0]}}, $F[2]}{$,="\t";                   # OFS = tab
   print q/SNP/, map { "Geno$_" } @A;                   # new header print
   print $_, @{$h{$_}} for sort { $a <=> $b } keys %h;  # result
' gene.data

Aqui armazene o terceiro campo $F[2] em um AoA (array_of_array). No final, classificamos as chaves de hash numericamente e imprimimos os dados.

sed -e '
   1d; # monospace lines
   s/[[:blank:]]\{1,\}/\t/g;s/^[[:blank:]]*//;s/[[:blank:]]*$//
   H;g
   #  1   2                            3                     4
   s/\(\n\(.*\n\)\{0,1\}\)1[[:blank:]]\([^[:space:]]\{1,\}\)\([[:blank:]][^[:space:]]\{1,\}\)$/\tGeno\n1/
   /\(\n[^[:space:]]\{1,\}[[:blank:]]\)[^[:space:]]\{1,\}[[:blank:]]\([^[:space:]]\{1,\}\)$/s///
   y/\n_/_\n/
   s/_\([0-9]\{1,\}\)\([^_]*\)_\(.*_\)\{0,1\}\([[:blank:]][^_]*\)/__/
   y/\n_/_\n/
   h;$!d
   s/\n*$//
   s/\n\(\n\)//
   s/^[[:blank:]]/SNP&/
' gene.data

Resultado

SNP     Genoa   Genob   Genoc
1       AB      AB      AA
2       AB      BB      AB
3       BB      AB      AA