如何使用awk将重复行组转换为列？附7列示例数据说明

首先我先把你提供的连续原始数据拆分成每行7列的清晰格式（原始数据是无换行的连续内容，拆分后才是正确的每行一条样本-基因记录）：

18030 AAJ51 FTO rs9939609 C__30090620_10 A T
18030 AAJ51 CAT rs1001179 C__11468118_10 C C
18030 AAJ51 CCL2 rs1024611 C___2590362_10 G G
18030 AAJ51 TAS2R38 rs10246939 C___9506826_10 C C
20287 AAJ51 FTO rs9939609 C__30090620_10 A T
20287 AAJ51 CAT rs1001179 C__11468118_10 C C
20287 AAJ51 CCL2 rs1024611 C___2590362_10 A G
20287 AAJ51 TAS2R38 rs10246939 C___9506826_10 T T

数据结构先理清楚 #

先帮你明确每一列的含义，方便后续处理：

• 第1列：样本ID（比如18030、20287，是每个样本的唯一标识）
• 第2列：固定重复标识（AAJ51，所有记录都一致，可能是批次或项目标记）
• 第3列：基因名称（如FTO、CAT，每个基因对应固定的SNP位点）
• 第4列：SNP位点ID（如rs9939609，是该基因上的特定检测位点）
• 第5列：探针ID（每个SNP对应的检测探针编号，同一位点的探针固定）
• 第6-7列：基因型（样本在该SNP位点的两个等位基因，比如A/T是杂合型，C/C是纯合型）

常见处理场景的实现方法 #

1. 快速筛选特定样本的所有数据 #

如果你想提取样本20287的全部基因检测记录，用awk命令就能一键搞定：

awk '$1 == "20287" {print $0}' your_data.txt

执行后会输出该样本的4条记录：

20287 AAJ51 FTO rs9939609 C__30090620_10 A T
20287 AAJ51 CAT rs1001179 C__11468118_10 C C
20287 AAJ51 CCL2 rs1024611 C___2590362_10 A G
20287 AAJ51 TAS2R38 rs10246939 C___9506826_10 T T

2. 提取特定基因的所有样本数据 #

比如要查看所有样本的FTO基因检测结果，同样用awk筛选第3列：

awk '$3 == "FTO" {print $0}' your_data.txt

输出结果：

18030 AAJ51 FTO rs9939609 C__30090620_10 A T
20287 AAJ51 FTO rs9939609 C__30090620_10 A T

3. 用Python转成结构化表格做分析 #

如果需要做后续的统计或可视化，用pandas把数据转成DataFrame会更方便：

import pandas as pd

# 读取文本文件，指定列名
col_names = ["SampleID", "FixedID", "Gene", "SNP", "ProbeID", "Allele1", "Allele2"]
df = pd.read_csv("your_data.txt", sep=" ", header=None, names=col_names)

# 查看前3行数据确认格式
print(df.head(3))

输出的表格结构会非常清晰：

4. 统计每个SNP的基因型分布 #

基于上面的DataFrame，还能快速统计每个SNP位点的基因型出现次数：

# 把两个等位基因合并成基因型字符串（比如A/T）
df["Genotype"] = df["Allele1"] + "/" + df["Allele2"]

# 按SNP和基因型分组统计数量
genotype_stats = df.groupby(["SNP", "Genotype"]).size().unstack(fill_value=0)
print(genotype_stats)

输出的统计结果一目了然：

内容的提问来源于stack exchange，提问作者gungu