如何用awk/sed拆分SNP ID与等位基因？解决下划线干扰问题

方法一：使用sed命令 #

利用正则捕获SNP ID（数字、下划线、点的组合）和后续等位基因部分，在两者间插入空格：

sed 's/\([0-9_.]\+\)\([A-Z].*\)/\1 \2/' File1 > File2

原理：

• \([0-9_.]\+\)：捕获所有连续的数字、下划线、点，对应SNP ID部分
• \([A-Z].*\)：捕获从第一个大写字母开始的所有内容，对应等位基因部分
• \1 \2：将两个捕获组用空格分隔后输出

方法二：使用awk命令（简洁版） #

定位第一个大写字母的位置，在其前插入空格完成拆分：

awk '{sub(/[A-Z]/, " &"); print}' File1 > File2

原理：

• sub(/[A-Z]/, " &")：找到行内第一个大写字母，替换为空格+该字母
• 直接打印修改后的行即可得到目标格式

方法三：awk分组匹配（精准版） #

通过正则分组明确区分SNP ID和等位基因：

awk '{match($0, /^([0-9_.]+)([A-Z,].*)/, res); print res[1], res[2]}' File1 > File2

原理：

• match()函数按正则将行内容拆分为两个分组，第一组是SNP ID，第二组是等位基因
• 打印两个分组并以空格分隔

测试验证 #

用你提供的示例输入测试上述命令，均可得到预期输出：

14_611646 T,C
14_881226 CT,C
14_861416.1 GGC,GGCGCGCGCG

内容的提问来源于stack exchange，提问作者narm