如何使用awk对基因组数据按第二列连续数值分组添加组编码

原有代码问题 #

• BEGIN块执行时还未加载任何行数据，$2 无有效值，初始赋值失败
• 变量每次处理完行都被覆盖为当前行第二列值，没有保留分组首行的数值，导致同组后续行编码错误

正确实现代码 #

我们只需要两个临时变量：prev 存储上一行第二列的值，start 存储当前分组的首行第二列值，逻辑如下：

1. 第一行直接初始化分组起始值为当前行第二列
2. 每一行判断是否和上一行连续：如果不连续就重置分组起始值为当前行第二列
3. 所有行输出原内容+当前分组起始值，再更新上一行值为当前行第二列

awk 'NR == 1 {start = $2} $2 != prev + 1 {start = $2} {print $0 "\t" start; prev = $2}' test

运行上述代码即可得到你预期的输出结果。

内容的提问来源于stack exchange，提问作者lbal