如何用AWK循环遍历列统计匹配次数并计算样本匹配率？

需求说明 #

处理制表符分隔的基因数据文件，文件从第5列开始的样本列数量无上限。需要统计每行第3列（Min.alle）与每个样本列的字符匹配总次数，再除以数据总行数（排除表头）得到匹配率，最终输出指定格式的结果。

解决方案代码 #

BEGIN {
    FS = OFS = "\t"
}

NR == 1 {
    # 保存表头的样本列名称，初始化计数数组
    sample_id_header = $1
    for (i = 5; i <= NF; i++) {
        sample_names[i] = $i
        match_counts[i] = 0
    }
    next
}

{
    total_data_rows++
    current_sample_id = $1
    # 遍历所有样本列，统计匹配次数
    for (i = 5; i <= NF; i++) {
        if ($3 == $i) {
            match_counts[i]++
        }
    }
}

END {
    # 输出结果表头
    printf "%s", sample_id_header
    for (i = 5; i <= NF; i++) {
        printf "%s%s", OFS, sample_names[i]
    }
    print ""
    
    # 输出分隔线
    printf "%s", "----------"
    for (i = 5; i <= NF; i++) {
        printf "%s%s", OFS, "---------"
    }
    print ""
    
    # 输出匹配率结果
    printf "%s", current_sample_id
    for (i = 5; i <= NF; i++) {
        match_rate = match_counts[i] / total_data_rows
        printf "%s%.1f", OFS, match_rate
    }
    print ""
}

代码说明 #

1. BEGIN块：设置输入输出分隔符为制表符，保证文件处理的格式一致性。
2. 表头处理：遍历第5列到最后一列，保存每个样本列的名称，同时初始化对应列的匹配计数为0。
3. 数据行处理：每处理一行数据，总行数加1；逐个对比当前行Min.alle列与样本列的字符，匹配则对应计数加1。
4. END块：按要求格式输出结果，包括表头、分隔线，以及每个样本的匹配率（匹配次数除以数据总行数，保留1位小数）。

示例输出 #

针对提供的测试数据，运行代码后会输出：

SampleID	Sample1	Sample2	Sample3
----------	---------	---------	---------
311	0.4	0.6	0.0

内容的提问来源于stack exchange，提问作者Milos