如何在UNIX环境下统计制表符文件第二列不同子串的出现次数？

看起来你可能描述时有点小偏差——从你的输入和期望输出来看，你实际是想统计每行**从第4个字段开始的所有基因型值（比如AA、AC）**的出现次数，再把统计结果追加到行尾对吧？下面给你一个用awk实现的完美方案，这是UNIX环境处理这类文本任务的首选工具。

核心解决方案：awk脚本实现 #

你可以直接运行这条命令，或者把它保存成脚本文件复用：

awk '
BEGIN {
    FS = "\t"  # 设置输入分隔符为制表符
    OFS = "\t" # 设置输出分隔符为制表符，保证原格式不变
}
{
    # 清空计数数组，避免上一行数据干扰当前行统计
    delete count
    
    # 遍历第4到最后一个字段，统计每个值的出现次数
    for (i = 4; i <= NF; i++) {
        count[$i]++
    }
    
    # 构建统计结果字符串，格式为「值=次数;值=次数」
    stats = ""
    for (val in count) {
        if (stats != "") {
            stats = stats ";"
        }
        stats = stats val "=" count[val]
    }
    
    # 输出原行内容 + 统计结果
    print $0, stats
}
' 你的输入文件名 > 输出文件名

命令细节解释 #

• BEGIN块：在处理任何行之前执行，统一设置输入输出的制表符分隔，确保文件原有格式不被破坏。
• 计数逻辑：用count数组记录每个基因型值的出现次数，只遍历第4到末尾的字段（因为前三个是rsID、基因型标记、染色体号）。
• 统计字符串构建：遍历count数组的键值对，拼接成你需要的AA=9;AC=2格式。
• 输出：将原行内容与统计结果用制表符分隔后输出，重定向到指定的输出文件。

示例验证 #

用你给出的输入示例：

rs12255619 A/C chr10 AA AA AC AA AA AA AA AA AA AC AA
rs7909677 A/G chr10 AA AA AA AA AA AA AA AA AA AA AA

运行命令后，输出会是：

rs12255619 A/C chr10 AA AA AC AA AA AA AA AA AA AC AA AA=9;AC=2
rs7909677 A/G chr10 AA AA AA AA AA AA AA AA AA AA AA AA=11

如果我理解错了，你确实是要统计第二列（比如A/C）中的子串出现次数，可以用这个修改版脚本，拆分第二列的/分隔符来统计：

awk '
BEGIN {
    FS = "\t"
    OFS = "\t"
}
{
    delete count
    # 拆分第二列的子串，按/分隔
    split($2, subs, "/")
    for (i in subs) {
        count[subs[i]]++
    }
    stats = ""
    for (val in count) {
        if (stats != "") stats = stats ";"
        stats = stats val "=" count[val]
    }
    print $0, stats
}
' 你的输入文件名 > 输出文件名

这个版本会给第一行追加A=1;C=1，第二行追加A=1;G=1，你可以根据实际需求选择。

内容的提问来源于stack exchange，提问作者Perceval Vellosillo Gonzalez