perl - tablas - expandir y contraer celdas en excel

Contraer filas con múltiples campos

Question

Tengo este código:

awk ''!seen[$1,$2]++{a[$1]=(a[$1] ? a[$1]", " : "/t") $2} END{for (i in a) print i a[i]} '' inputfile

y me gustaría trabajar para colapsar filas con más de dos campos, pero siempre basar en el primer campo como índice.

Archivo de entrada (delimitado por tabulaciones de tres columnas):

protein_1   membrane    1e-4
protein_1   intracellular   1e-5
protein_2   membrane    1e-50
protein_2   citosol 1e-40

Salida deseada (delimitada por tabulaciones de tres columnas):

protein_1   membrane, intracellular 1e-4, 1e-5
protein_2   membrane, citosol   1e-50, 1e-40

¡Gracias!

Apilar aquí:

awk ''!seen[$1,$2]++{a[$1]=(a[$1] ? a[$1]"/t" : "/t") $2};{a[$1]=(a[$1] ? a[$1]", " : "/t") $3} END{for (i in a) print i a[i]} '' 1 inputfile

Answer 1

Con GNU awk para matrices en 2-D:

$ gawk ''
{ a[$1][$2] = $3 }
END {
    for (i in a) {
        printf "%s", i
        sep = "/t"
        for (j in a[i]) {
            printf "%s%s", sep, j
            sep = ", "
        }
        sep = "/t"
        for (j in a[i]) {
            printf "%s%s", sep, a[i][j]
            sep = ", "
        }
        print ""
    }
}'' file
protein_1       membrane, intracellular 1e-4, 1e-5
protein_2       membrane, citosol       1e-50, 1e-40

Answer 2

Realmente espero que alguien publique algo de awk wizardry, pero voy a seguir adelante y descartar el script de perl de forma más larga por ahora:

use strict;
use warnings;

my @cols = ();
my $lastprotein = '''';

while (<DATA>) {
    chomp;
    my ($protein, @data) = split "/t";

    if ($protein ne $lastprotein && @cols) {
        print join("/t", $lastprotein, map {join '', '', @$_} @cols), "/n";
        @cols = ();
    }

    push @{$cols[$_]}, $data[$_] for (0..$#data);
    $lastprotein = $protein;
}

print join("/t", $lastprotein, map {join '', '', @$_} @cols), "/n";

__DATA__
protein_1   membrane    1e-4
protein_1   intracellular   1e-5
protein_2   membrane    1e-50
protein_2   citosol 1e-40

Salidas

protein_1       membrane, intracellular 1e-4, 1e-5
protein_2       membrane, citosol       1e-50, 1e-40

Answer 3

Esto debería funcionar para usted:

awk ''{
    col1[$1]++
    for(fld = 2; fld <= NF; fld++) {
        line[$1,fld] = (line[$1,fld]) ? line[$1,fld] ", " $fld : $fld
    }
}
END {
    for(name in col1) {
        printf "%s/t", name
        for(item = 2; item <= NF; item++) {
            printf "%s/t", line[name,item]
        }
        print ""
    }
}'' file

Salida :

protein_1       membrane, intracellular 1e-4, 1e-5
protein_2       membrane, citosol       1e-50, 1e-40

Answer 4

perl -lane''
  $ar = $h{shift @F} ||= [];
  push @{$ar->[$_]}, $F[$_] for 0,1;
  END {
    $" = ", ";
    print "$_/t@{$h{$_}[0]}/t@{$h{$_}[1]}" for sort keys %h;
  }
'' file

salida

protein_1 membrane, intracellular 1e-4, 1e-5
protein_2 membrane, citosol 1e-50, 1e-40