Supprimer les lignes en fonction du nombre de caractères

Question

Je me demande comment je peux supprimer des lignes d'un ensemble de données contenant plus d'un certain nombre de caractères, en fonction de la somme de deux lignes.

Par exemple, les données suivantes:

2 rs121065 0 17696224 T C 
2 rs1860485 0 17696230 T C 
2 rs237147 0 17696256 C CGAGGCAG 
2 rs1909633 0 17696365 A G 
2 rs574724 0 17696368 T C 

Je voudrais supprimer la troisième ligne. Le problème est que la série de lettres est variable, et ainsi dans d'autres endroits, les données peuvent ressembler à ceci:

2 rs113308 0 17683654 CCTTT C 

ou ceci:

2 rs103371 0 17667279 TG T 

donc - en gros, une ligne qui contient plus de 2 caractères dans les deux dernières colonnes doivent être supprimés, et idéalement mon jeu de données ressemblera à ceci:

2 rs121065 0 17696224 T C 
2 rs1860485 0 17696230 T C 
2 rs1909633 0 17696365 A G 
2 rs574724 0 17696368 T C 

Toutes les suggestions sont grandement appréciés!

Answer 1

Une solution à base de R. Disons que les colonnes focales sont appelées seq1 et seq2.

Puis

mydata <- subset(mydata,nchar(seq1)+nchar(seq2)==2) 

ou si vous voulez vraiment utiliser les deux dernières colonnes,

nc <- ncol(mydata) 
mydata <- mydata[nchar(mydata[,ncol-1])+nchar(mydata[,ncol])==2,] 

mais je trouve l'ancien plus facile à lire.

Answer 2

Une awk solution à base:

$ cat foo.txt 
2 rs121065 0 17696224 T C 
2 rs1860485 0 17696230 T CG 
2 rs237147 0 17696256 C CGAGGCAG 
2 rs1909633 0 17696365 A GGG 
2 rs574724 0 17696368 T C 

$ awk 'length($NF)==1 && length($(NF-1))==1' foo.txt 
2 rs121065 0 17696224 T C 
2 rs574724 0 17696368 T C 

Cela permet de maintenir uniquement les lignes dont les deux dernières colonnes ne comportent qu'un seul caractère chacun. Ajustez l'exigence de longueur au besoin, ce qui devrait être explicite.

Answer 3

simples sed ½ doublure:

sed '/\w\{2\}\s*\w*$/d' file