文件2的子集行基于文件1 UNIX中单列的公共值

Question

我正在处理大文件，我只想提取一列的值包含在另一个文件的列中的行。

例如，在file1中，我有10,000行看起来像这样：

Chr13998356 T   C
Chr1401532  A   G
Chr14021851 A   T

我有file2（100,000+行），其中我只想要文件1的第1列中第1列中的值的行。所以对于文件2，我有：

Chr1    401530  G   G   60  0   60  11
Chr1    401531  A   A   60  0   60  11
Chr1    401532  A   G   30  170 60  11

我想以第三个文件结束：

Chr1    401532  A   G   30  170 60  11

此文件可能有几行到10,000行。

在R中，我会使用df3 <- df2[df2[,1] %in% df1[,2],]之类的东西，但文件太大了。

是否有简单的UNIX解决方案？像使用comm这样的东西，但只匹配第一列而不是整行，这将是完美的。或者grep的东西，但同时搜索10K模式。

有什么想法吗？

Answer 1

$ cat file1
Chr13998356 T   C
Chr1401532  A   G
Chr14021851 A   T

$ cat file2
Chr1    401530  G   G   60  0   60  11
Chr1    401531  A   A   60  0   60  11
Chr1    401532  A   G   30  170 60  11

$ awk 'NR==FNR{vals[$1];next} ($1$2) in vals' file1 file2
Chr1    401532  A   G   30  170 60  11