Question

我有一组带有基因型数据的文件，每个文件分为3列数据，包括：MARKER，ID，GENOTYPE。

我想使用AWK（不更改文件的顺序/排序）来执行类似VLOOKUP的命令，以便将文件中的数据连接到单个文件中，如下所示：

File1中：

BIEC2-99962 HOR_233 G_G
BIEC2-9997 HOR_233 A_G
BIEC2-999748 HOR_233 C_C
BIEC2-999848 HOR_233 G_G
BIEC2-99989 HOR_233 A_A

File2：

BIEC2-9997 HOR_250 A_A
BIEC2-999748 HOR_250 C_C
BIEC2-99989 HOR_250 A_C

文件3：

BIEC2-9997 HOR_615 A_G
BIEC2-999748 HOR_615 A_C
BIEC2-999848 HOR_615 A_G
BIEC2-99989 HOR_615 A_C

预期结果：

BIEC2-99962 G_G NA NA   
BIEC2-9997 A_G A_A A_G
BIEC2-999748 C_C C_C A_C
BIEC2-999848 G_G NA A_G
BIEC2-99989 A_A A_C A_C

我将不胜感激。

谢谢！

Answer 1

当在最后一个文件之前甚至不知道标记的存在时插入那些NA并不是完全无关紧要的。没有它，这将是一个单行。

#!/bin/awk

func add_na() {
  for (i in a)
    if (gsub(/ /, " ", a[i]) < files)
      a[i] = a[i] " NA"
}

FNR==1 { add_na(); ++files }

{ a[$1] = a[$1] " " $3 }

END { add_na(); for (i in a) print i a[i] }

add_na函数查找未在最新文件中显示的标记（即到目前为止输出记录中的空格太少）并向其添加“NA”。
FNR规则会跟踪我们通过的文件数量，并对NA进行排序 END规则在打印结果之前添加最后一轮的NA。

Answer 2

好的，确定不是awk：当涉及复杂类型时，我觉得Perl更舒服......

#!/usr/bin/perl

use strict;
my %out;
my $argc = scalar @ARGV;   # @ARGV --> command line arguments
for my $i (1..$argc){      # for all files except the first
  open(F,$ARGV[$i]);
  while(<F>){
    if(/(.*) .* (.*)/){$out{$1}[$i]=$2}
  }
}

open(F,$ARGV[0]);          # process the first
while(<F>){
  if(/(.*) .* (.*)/){
    $a=join(" ",map{ $out{$1}[$_] || "NA"} (1..$argc-1));
    print "$1 $2 $a\n"}
}

用法：

perl merge-vlookup file1 file2 file3 ... >  output

Answer 3

您可以修改输入集的此脚本：

#!/usr/bin/env python

input_one = '''
BIEC2-99962 HOR_233 G_G
BIEC2-9997 HOR_233 A_G
BIEC2-999748 HOR_233 C_C
BIEC2-999848 HOR_233 G_G
BIEC2-99989 HOR_233 A_A
'''.strip().split()

input_two = '''
BIEC2-9997 HOR_250 A_A
BIEC2-999748 HOR_250 C_C
BIEC2-99989 HOR_250 A_C
'''.strip().split()

input_three = '''
BIEC2-9997 HOR_615 A_G
BIEC2-999748 HOR_615 A_C
BIEC2-999848 HOR_615 A_G
BIEC2-99989 HOR_615 A_C
'''.strip().split()

one_list = input_one[::3]
one_dict = dict(zip(one_list, input_one[2::3]))
two_dict = dict(zip(input_two[::3], input_two[2::3]))
three_dict = dict(zip(input_three[::3], input_three[2::3]))

print '\n'.join([' '.join([k, one_dict[k], two_dict.get(k, 'NA'), three_dict.get(k, 'NA')]) for k in one_list])

输出如下：

$ ./join_test.py
BIEC2-99962 G_G NA NA
BIEC2-9997 A_G A_A A_G
BIEC2-999748 C_C C_C A_C
BIEC2-999848 G_G NA A_G
BIEC2-99989 A_A A_C A_C

这似乎符合您的预期输出。

如果您想了解脚本的工作原理，请在列表理解之前为每个变量使用一些print语句，然后将列表理解分解为更小的部分。

最终，您可以将列表input_one，input_two和input_three替换为使用open()和readlines()方法读取输入文件的结果。< / p>

请记住strip()和split()，以便列表中的每个元素与其他元素分开，无论分隔符是空格还是换行符 - 使用print来调查其中一个元素样本输入列表，如果此要求不清楚。

我认为awk并不是这项工作的理想工具，我使用它很多。

使用AWK执行类似VLOOKUP的命令

3 个答案: