如何截取PLINK fam文件第一列ID前两段，保留其余列内容？

需求 #

PLINK的FAM文件中，样本ID（第二列）与家系ID（第一列）格式均为Continent_Breed_Ind-ID，需要将第一列修改为仅保留Continent_Breed部分，同时完整保留其余列内容。

模拟数据集 #

Continent1_Breed1_Ind-ID1 Continent1_Breed1_Ind-ID1 0 0 0 -9
Continent1_Breed2_Ind-ID2 Continent1_Breed2_Ind-ID1 0 0 0 -0
Continent2_Breed1_Ind-ID1 Continent2_Breed1_Ind-ID1 0 0 0 -9

期望结果 #

Continent1_Breed1 Continent1_Breed1_Ind-ID1 0 0 0 -9
Continent1_Breed2 Continent1_Breed2_Ind-ID1 0 0 0 -0
Continent2_Breed1 Continent2_Breed1_Ind-ID1 0 0 0 -9

错误尝试 #

使用以下sed命令时，仅返回第一列，无法保留其余内容：

sed -r 's/_[^_]*//2g' file.fam

解决方案 #

方法1：使用sed精准修改第一列

通过正则仅匹配第一列中第二个下划线之后的内容并替换，不影响后续列：

sed -r 's/^([^_]+_[^_]+)_[^ ]+/\1/' file.fam

• 正则解释：
  • ^([^_]+_[^_]+)：捕获第一列中前两个下划线分隔的部分（即Continent_Breed）
  • _[^ ]+：匹配第一列中第二个下划线到第一个空格之间的所有内容（即_Ind-IDxxx）
  • \1：将匹配到的内容替换为之前捕获的Continent_Breed部分

方法2：使用awk更直观处理

通过分割第一列提取目标内容，重新赋值后输出整行：

awk '{split($1, arr, "_"); $1 = arr[1] "_" arr[2]; print}' file.fam

• 逻辑解释：
  • split($1, arr, "_")：将第一列按下划线分割为数组arr
  • $1 = arr[1] "_" arr[2]：将第一列重新赋值为数组前两个元素的拼接结果
  • print：输出修改后的整行内容

内容的提问来源于stack exchange，提问作者Pedro Morell