División de archivos por cada 10000 números (no líneas)

Tengo un archivo que se parece a lo siguiente:

chr19   61336212        +       0       0       CG      CGT    
chr19   61336213        -       0       0       CG      CGG    
chr19   61336218        +       0       0       CG      CGG    
chr19   61336219        -       0       0       CG      CGC    
chr19   61336268        +       0       0       CG      CGG    
chr19   61336269        -       0       0       CG      CGA    
chr19   61336402        +       0       0       CG      CGG    
chr19   61336403        -       0       0       CG      CGT    

Quiero dividir este archivo por cada intervalo de 10000 del segundo campo (NO líneas, sino intervalo de números). Entonces, para este archivo, me gustaría dividir desde la primera línea (la línea con 61336212) a la línea que tiene o hasta 61346211 (61336212 + 9999), luego de 61346212 a 61356211, y así sucesivamente. Como puede ver, los números en el segundo campo / columna no están 'llenos'.

¿Hay alguna forma de hacer esto?

awk 'NR==1 {n=$2}
     {
       file = sprintf("file.%.4d", ($2-n)/10000)
       if (file != last_file) {
         close(last_file)
         last_file = file
       }
       print > file
     }'

Escribiría a file.0000, file.0001... (el número que se está int(($2-n)/10000)donde nestá $2para la primera línea).

Tenga en cuenta que cerramos los archivos una vez que dejamos de escribirles, de lo contrario, alcanzaría el límite en el número de archivos abiertos simultáneamente después de unos cientos de archivos (GNU awkpuede evitar ese límite, pero luego el rendimiento se degrada rápidamente).

Asumimos que esos números siempre están subiendo.

Hackear la versión de una sola línea. Sin embargo, quizás sea más adecuado para Code Golf que este foro. Esto genera split1, split2, split3, etc., como nombres de archivo.

awk '{if($2>b+9999){a++;b=$2}print >"split" a}' file.txt

Tener archivos de salida llamados split001, split002, split003, implica este extra sprintf:

awk '{if($2>b+9999){a++;b=$2}print >sprintf("split%03d",a)}' file.txt

Para evitar el problema de desaceleración de gawk identificado por @ Stéphane Chazelas, use perl:

perl -ne '(undef,$a)=split(/\s+/,$_);if($a>$b+9999){$c++;$b=$a}open(D,sprintf(">>ysplit%03d",$c));print D' <file.txt

#!/bin/bash
first=$( head -n1 file | awk -F" +" '{print $2}' )
last=$( tail -n1 file | awk -F" +" '{print $2}' )
for (( i=$first ; i<=$last ; i=i+10000 )) ; do
   awk -v start=$i -v end=$(($i+10000)) 'BEGIN { FS == " +" } { if ( $2 >= start && $2 < end ) print $0 }' file \
   >> interval_"$i"_to_"$(( $i+10000 ))"
done

Prueba con intervalo establecido en 100:

more inter*
::::::::::::::
interval_61336212_to_61346212
::::::::::::::
chr19   61336212        +       0       0       CG      CGT    
chr19   61336213        -       0       0       CG      CGG    
chr19   61336218        +       0       0       CG      CGG    
chr19   61336219        -       0       0       CG      CGC    
chr19   61336268        +       0       0       CG      CGG    
chr19   61336269        -       0       0       CG      CGA    
::::::::::::::
interval_61336312_to_61346312
::::::::::::::
chr19   61336402        +       0       0       CG      CGG    
chr19   61336403        -       0       0       CG      CGT  

Nota: producirá archivos vacíos para intervalos vacíos; para eliminar archivos vacíos, agregue:

for file in interval* ; do
  if [ ! -s "$file" ] ; then
    rm "$file"
  fi
done

Se ejecutará sobre el archivo para cada paso en el forbucle, por lo tanto, no es el más eficiente.

Si quiere decir solo cálculo, no recuento de líneas:

awk 'NR==1 || n+10000<$2{n=$2; portion++}{print > FILENAME "." portion}' file