如何修改AWK脚本为多列CSV处理结果新增对应POP列

之前提取错位的核心原因 #

单独使用{print $2}提取第二列POP值的操作，没有把每个POP值和同行的dG值、行属性做绑定存储，拿到的是独立的POP值序列，自然无法匹配到dG(min)、dG(popMAX)对应的正确行，最终出现输出顺序错位。

修改核心思路 #

所有需要关联的数值在遍历数据行的过程中就完成同步绑定存储，彻底割裂“先单独存dG、后回头找对应POP”的分步流程，从根源上避免错配：

• 遇到ID=1的固定行时，同步存储该行的dG值（即dG(min)）、对应的POP值（即POP(min)），两个值始终同源
• 遍历每行时实时对比POP值大小，一旦检测到当前POP值为历史最大值，就同步存储该行的POP值（即POP(max)）、对应的dG值（即dG(popMAX)），保证两个值永远来自同一行
• 遍历过程中累加所有dG值、统计有效数据行数，循环结束后计算dG均值
• POP值输出时按要求用英文括号包裹，直接对已存储的对应变量做字符串拼接即可

完整可运行脚本 #

脚本保留原有的逗号加任意空格作为字段分隔符、从输入文件名提取Lig(CNE)标识的逻辑，新增两个POP字段的输出：

# 替换为实际输入文件路径
input_file="your_input.csv"
# 根据实际文件命名规则调整提取Lig(CNE)的逻辑，示例假设文件格式为xxx_CNE_标识_xxx.csv
lig_id=$(echo "$input_file" | grep -oP '(?<=_CNE_)[^_]+')

awk -F',[[:space:]]*' -v lig="$lig_id" '
# 若输入文件含表头行保留此判断，无表头则删除
NR>1 {
    current_pop = $2
    current_dg = $3
    # 累加计算dG均值所需的变量
    total_dg += current_dg
    valid_line_num += 1

    # 绑定存储ID=1行的dG、POP值
    if ($1 == 1) {
        dg_min = current_dg
        pop_min = current_pop
    }

    # 实时更新POP最大值对应的绑定值，保证dG与POP同源
    if (current_pop > max_pop) {
        max_pop = current_pop
        dg_popmax = current_dg
    }
}
END {
    # 计算整体dG均值
    dg_mean = total_dg / valid_line_num
    # 首次运行写入带六列表头的结果文件
    if (!is_header_written) {
        print "Lig(CNE),dG(min),POP(min),dG(popMAX),POP(max),dG(mean)" > "output.csv"
        is_header_written = 1
    }
    # 按格式输出，POP值用括号包裹
    print lig "," dg_min ",(" pop_min ")," dg_popmax ",(" max_pop ")," dg_mean >> "output.csv"
}
' "$input_file"

适配提示：若输入文件第一行直接是有效数据，删除脚本中的NR>1判断即可；Lig(CNE)的提取正则可根据实际文件命名规则修改。

错位问题的彻底规避原理 #

• 所有关联值（比如POP和同行的dG）都是在遍历同一行时同步存入对应变量，不存在跨流程的独立提取操作，从机制上保证值的对应关系
• 遍历过程中就完成了所有目标值的绑定存储，不需要等所有行读完后再回头检索原文件的对应行，完全不受原文件行顺序的影响
• POP值的格式化直接基于已存储的同源变量完成，不会出现值的错配

内容的提问来源于stack exchange，提问作者user14748664