如何用Bash按列分组生成新DataFrame？求脚本修正及简化方案

输入数据 #

chr1,A,1,3,y,-
chr1,A,2,30,y,-
chr1,A,12,40,y,-
chr2,B,0,3,y,-
chr2,B,1,30,y,-
chr3,C,1,3,y,-

需求 #

按第2列（如A、B、C）分组，每组保留第1、2、5、6列的固定内容，将第3列替换为该组的最小值，第4列替换为该组的最大值，输出格式如下：

chr1,A,1,40,y,-
chr2,B,0,30,y,-
chr3,C,1,3,y,-

当前脚本问题分析 #

你编写的awk脚本错误在于：每次循环都会把row[$2]覆盖为当前行的原始内容，最终输出的是每组最后一行的原始第3、4列值，而非统计得到的最小值和最大值。

正确的awk实现 #

修改思路：单独存储每组的固定字段（第1、2、5、6列），同时维护每组的第3列最小值和第4列最大值，最后在END块中组合这些值输出：

BEGIN{FS=OFS=","}
{
    key = $2
    if (!(key in min)) {
        min[key] = $3
        max[key] = $4
        # 存储固定不变的前后段字段
        prefix[key] = $1 OFS $2
        suffix[key] = $5 OFS $6
    } else {
        if ($3 < min[key]) min[key] = $3
        if ($4 > max[key]) max[key] = $4
    }
}
END{
    for (key in min) {
        print prefix[key], min[key], max[key], suffix[key]
    }
}

执行该脚本即可得到期望输出。

更简洁的awk写法 #

可以简化变量存储逻辑，直接用数组维护每组关键值：

BEGIN{FS=OFS=","}
{
    k=$2
    if(!(k in min) || $3 < min[k]) min[k]=$3
    if(!(k in max) || $4 > max[k]) max[k]=$4
    if(!(k in head)) head[k] = $1 OFS $2
    if(!(k in tail)) tail[k] = $5 OFS $6
}
END{for(k in head) print head[k], min[k], max[k], tail[k]}

内容的提问来源于stack exchange，提问作者Apex