linux - print - Calcula la media de cada columna ignorando los datos faltantes con awk

awk separador de campos

Question

Tengo una gran tabla de datos separados por tabulaciones con miles de filas y docenas de columnas y tiene datos faltantes marcados como "na". Por ejemplo,

na  0.93    na  0   na  0.51
1   1   na  1   na  1
1   1   na  0.97    na  1
0.92    1   na  1   0.01    0.34

Me gustaría calcular la media de cada columna, pero asegurándome de que los datos faltantes sean ignorados en el cálculo. Por ejemplo, la media de la columna 1 debe ser 0,97. Creo que podría usar awk pero no estoy seguro de cómo construir el comando para hacer esto para todas las columnas y dar cuenta de los datos faltantes.

Todo lo que sé hacer es calcular la media de una sola columna, pero trata los datos faltantes como 0 en lugar de dejarlos fuera del cálculo.

awk ''{sum+=$1} END {print sum/NR}'' filename

Answer 1

Esto es oscuro, pero funciona para tu ejemplo

awk ''{for(i=1; i<=NF; i++){sum[i] += $i; if($i != "na"){count[i]+=1}}} END {for(i=1; i<=NF; i++){if(count[i]!=0){v = sum[i]/count[i]}else{v = 0}; if(i<NF){printf "%f/t",v}else{print v}}}'' input.txt

EDITAR: Así es como funciona:

awk ''{for(i=1; i<=NF; i++){ #for each column
        sum[i] += $i;       #add the sum to the "sum" array
        if($i != "na"){     #if value is not "na"
           count[i]+=1}     #increment the column "count"
        }                   #endif
     }                      #endfor
    END {                    #at the end
     for(i=1; i<=NF; i++){  #for each column
        if(count[i]!=0){        #if the column count is not 0
            v = sum[i]/count[i] #then calculate the column mean (here represented with "v")
        }else{                  #else (if column count is 0)
            v = 0               #then let mean be 0 (note: you can set this to be "na")
        };                      #endif col count is not 0
        if(i<NF){               #if the column is before the last column
            printf "%f/t",v     #print mean + TAB
        }else{                  #else (if it is the last column)
            print v}            #print mean + NEWLINE
        };                      #endif
     }'' input.txt               #endfor (note: input.txt is the input file)

`` `

Answer 2

Una posible solución:

awk -F"/t" ''{for(i=1; i <= NF; i++)
                {if($i == $i+0){sum[i]+=$i; denom[i] += 1;}}}
            END{for(i=1; i<= NF; i++){line=line""sum[i]/(denom[i]?denom[i]:1)FS} 
                print line}'' inputFile

El resultado para los datos dados:

0.973333    0.9825  0   0.7425  0.01    0.7125

Tenga en cuenta que la tercera columna contiene solo "na" y la salida es 0 . Si desea que la salida sea na , cambie el bloque END{...} a:

END{for(i=1; i<= NF; i++){line=line""(denom[i] ? sum[i]/denom[i]:"na")FS} print line}''