如何按ID合并序列文件？Python实现存问题，求awk解法

刚好碰到过类似的需求！你的原始序列是这样的：

rpl-7 ATGGCTCCAAC
rpl-7 AAGAAAGTGCCACAGGTTCCAGAAAC
rpl-8 AAGAACAAGGAGAAGAAGACCCAATACTTCAAGCGTGC
rpl-8 GCTCTCCAGATCCTCCGTCTTCGTCAGATCAA
rpl-8 AAGTTCAACATCATCTGTCTTGAGGA

想要合并成同ID的序列在一行、用空格分隔的形式，用awk确实是最简便的方案，一行命令就能搞定：

awk '/^>/ {if (id != $0) {if (id) print id, seq; id=$0; seq=""; next}} {seq=seq" "$0} END {print id, seq}' input.fasta

我给你拆解一下这段代码的逻辑，方便你理解和调整：

• 匹配所有以>开头的行（FASTA的ID行）：
  • 如果当前ID和之前存储的id不同，先判断id是否不为空（避免第一行就输出空内容），若不为空则打印之前的ID和累积的序列
  • 更新id为当前行内容，重置seq为空字符串，跳过后续处理
• 非ID行（序列行）：直接将当前行内容追加到seq变量后，用空格分隔
• 处理完所有行后（END块）：打印最后一组的ID和序列（因为循环中仅在ID变化时打印前一组，最后一组不会触发该逻辑）

如果你的序列内容是从标准输入来的（比如直接粘贴或者通过管道传递），也可以这样使用：

cat your_sequence.txt | awk '/^>/ {if (id != $0) {if (id) print id, seq; id=$0; seq=""; next}} {seq=seq" "$0} END {print id, seq}'

另外提一句你之前Python的问题：你说无法输出第一个ID，大概率是因为你只在ID变化时打印前一组，但第一个ID的序列累积完成后，没有在循环结束后打印最后一组的内容。只要在遍历完所有行后，单独打印最后保存的ID和序列，就能解决这个问题啦。

内容的提问来源于stack exchange，提问作者Katniss Dong