我有一系列文件，看起来像这样，第二列和第三列是重复的，但有数千行。
AT1G15820.1 TRINITY_DN96909_c1_g2_i1.p1 TRINITY_DN96909_c1_g2_i1.p1 1.36e-115
AT1G15820.1 TRINITY_DN96909_c1_g1_i2.p1 TRINITY_DN96909_c1_g1_i2.p1 9.97e-113
AT1G15820.1 TRINITY_DN96909_c1_g1_i1.p1 TRINITY_DN96909_c1_g1_i1.p1 6.26e-66
我想截取第3列并截断它，以便删除字符串中在_I之后(包括_I(的所有内容，如下所示：
AT1G15820.1 TRINITY_DN96909_c1_g2_i1.p1 TRINITY_DN96909_c1_g2 1.36e-115
AT1G15820.1 TRINITY_DN96909_c1_g1_i2.p1 TRINITY_DN96909_c1_g1 9.97e-113
AT1G15820.1 TRINITY_DN96909_c1_g1_i1.p1 TRINITY_DN96909_c1_g1 6.26e-66
每个字母组合(DN、c、g、i、p(后面的数字可以是任何数字，也可以是任何长度，所以我不能只是截断到某个长度。
我尝试过sed -i 's/_i.*//' file.txt，但这删除了每行之后的所有内容，而不仅仅是感兴趣的列。
非常感谢！
您可以使用awk:从第一次出现的_i中删除，然后删除第三个字段中的行的其余部分
awk 'sub(/_i.*/, "", $3)1' file
输出
AT1G15820.1 TRINITY_DN96909_c1_g2_i1.p1 TRINITY_DN96909_c1_g2 1.36e-115
AT1G15820.1 TRINITY_DN96909_c1_g1_i2.p1 TRINITY_DN96909_c1_g1 9.97e-113
AT1G15820.1 TRINITY_DN96909_c1_g1_i1.p1 TRINITY_DN96909_c1_g1 6.26e-66
使用sed
$ sed -i.bak 's/(g[0-9]*)_[^ ]*/1/2' input_file
AT1G15820.1 TRINITY_DN96909_c1_g2_i1.p1 TRINITY_DN96909_c1_g2 1.36e-115
AT1G15820.1 TRINITY_DN96909_c1_g1_i2.p1 TRINITY_DN96909_c1_g1 9.97e-113
AT1G15820.1 TRINITY_DN96909_c1_g1_i1.p1 TRINITY_DN96909_c1_g1 6.26e-66
您可以在第二次出现匹配时执行替换
awk '{sub(/_[^_]+$/,"",$3)}1' file
AT1G15820.1 TRINITY_DN96909_c1_g2_i1.p1 TRINITY_DN96909_c1_g2 1.36e-115
AT1G15820.1 TRINITY_DN96909_c1_g1_i2.p1 TRINITY_DN96909_c1_g1 9.97e-113
AT1G15820.1 TRINITY_DN96909_c1_g1_i1.p1 TRINITY_DN96909_c1_g1 6.26e-66
在第三个字段中，删除最后一个下划线(包括(之后的所有内容。
这将使用GNU-sed:
sed 's/(.*_i.*)_i.*(s.*)/12/' your_file > output_file
(和)是捕获组，它们记住里面匹配的东西(.*_i.*)_i.*记得直到(但不包括(第二个_i的所有内容(s.*)记住从第二个_i之后的空间到行的末尾的所有内容- CCD_ 10用第一和第二捕获组替换该行(即，从第二CCD_
输出
AT1G15820.1 TRINITY_DN96909_c1_g2_i1.p1 TRINITY_DN96909_c1_g2 1.36e-115
AT1G15820.1 TRINITY_DN96909_c1_g1_i2.p1 TRINITY_DN96909_c1_g1 9.97e-113
AT1G15820.1 TRINITY_DN96909_c1_g1_i1.p1 TRINITY_DN96909_c1_g1 6.26e-66
一个perl单行：
perl -lane '$F[2] = join "_", (split /_/, $F[2])[0..3]; print "@F"' file
这将拆分下划线上的第三个字段，获取前4个组件并用下划线连接它们。