使用AWK逐列比较连续行并按规则赋值的技术求助

没问题，我帮你实现一个符合需求的AWK脚本，先理清楚核心思路：我们需要先统一基因型的格式（消除顺序差异，比如把-/+转为+/-），然后自定义对比规则，最后逐行完成相邻行的对比并输出结果。

步骤拆解 #

1. 基因型标准化：写一个辅助函数，把基因型的两个组分按固定顺序排列，确保不同写法的同一基因型能被识别为相同项。
2. 对比规则定义：用数组存储不同基因型组合对应的输出数值，你可以根据自己的需求随时修改。
3. 逐行数据处理：保存上一行的基因型数据，和当前行完成对比后输出结果。

输入文件示例（假设文件名为genotypes.txt） #

id sample1 sample2 sample3
6 +/+ +/+ +/- 
16 -/- +/+ +/+ 
20 +/- +/+ +/+ 
21 +/- +/+ +/+ 
22 +/+ +/+ -/- 
25 +/+ +/+ +/+ 

AWK脚本实现 #

创建一个名为compare_genotypes.awk的文件，内容如下：

# 标准化基因型：消除顺序影响，比如将-/+转为+/-
function normalize_gt(gt) {
    split(gt, arr, "/")
    if (arr[1] > arr[2]) {
        temp = arr[1]
        arr[1] = arr[2]
        arr[2] = temp
    }
    return arr[1] "/" arr[2]
}

BEGIN {
    # 定义对比规则：修改这里的数值即可自定义输出结果
    # 格式：comp["基因型A->基因型B"] = 对应输出值
    comp["+/+->+/+"] = 1
    comp["+/+->+/-"] = 0
    comp["+/+->-/-"] = 0
    comp["+/-->+/+"] = 0
    comp["+/-->+/-"] = 1
    comp["+/-->-/-"] = 0
    comp["-/-->+/+"] = 0
    comp["-/-->+/-"] = 0
    comp["-/-->-/-"] = 1
}

# 处理表头，生成结果文件的表头
NR == 1 {
    printf "id_pair"
    for (i=2; i<=NF; i++) {
        printf " %s_comp", $i
    }
    printf "\n"
    next
}

# 处理数据行，完成相邻行对比
NR > 1 {
    # 标准化当前行的所有基因型
    for (i=2; i<=NF; i++) {
        curr_gt[i] = normalize_gt($i)
    }
    # 从第二行数据开始，和上一行对比输出
    if (NR > 2) {
        printf "%d-%d", prev_id, $1
        for (i=2; i<=NF; i++) {
            # 生成对比键，查找对应输出数值
            key = prev_gt[i] "->" curr_gt[i]
            printf " %d", comp[key]
        }
        printf "\n"
    }
    # 更新上一行的ID和基因型，供下一轮对比使用
    prev_id = $1
    for (i=2; i<=NF; i++) {
        prev_gt[i] = curr_gt[i]
    }
}

运行脚本 #

在终端执行以下命令：

awk -f compare_genotypes.awk genotypes.txt

输出结果 #

id_pair sample1_comp sample2_comp sample3_comp
6-16 0 1 0
16-20 0 1 1
20-21 1 1 1
21-22 0 1 0
22-25 1 1 0

自定义修改说明 #

• 调整对比规则：直接修改BEGIN块里的comp数组即可，比如如果需要+/+和+/-对比输出0.5，就把comp["+/+->+/-"] = 0.5。
• 适配其他基因型格式：如果你的基因型是0/1、1/1这类数字格式，只需要修改normalize_gt函数里的排序逻辑（比如按数字大小排序）。

内容的提问来源于stack exchange，提问作者user3438524