Question

我有以下两个文件：

文件1：

1 290 rs1345
2 450 rs5313
1 1120 rs4523
2 790 rs4325

文件2：

1 201 LDLR
2 714 APOA5
1 818 NOTCH5
1 514 TTN

我希望仅隔离文件2中的第二个字段在文件1中第二个字段的100个单位内的行（如果字段1匹配）：

所需的输出:(注意第三个字段来自file1中的匹配行）。

1 201 LDLR rs1345
2 714 APOA5 rs4325

我尝试使用以下代码：

for i in {1..4} #there are 4 lines in file2
do
chr=$(awk 'NR=="'${i}'" { print $1 }' file2)
pos=$(awk 'NR=="'${i}'" { print $2 }' file2)
gene=$(awk 'NR=="'${i}'" { print $3 }' file2)

start=$(echo $pos | awk '{print $1-100}') #start and end variables for 100 unit range
end=$(echo $pos | awk '{print $1+100}')
awk '{if ($1=="'$chr'" && $2 > "'$start'" && $2 < "'$end'") print "'$chr'","'$pos'","'$gene'"$3}' file1
done

代码不起作用，我相信我的开始和结束变量有问题，因为当我回显$ start时，我得到414，这对我没有意义，当我回显$时，我得到614端。

我理解这个问题可能难以理解，所以请问我是否需要澄清。

谢谢。

Answer 1

难点在于1美元不是唯一的密钥，因此需要对数据结构采取一些措施来将数据存储在文件1中。

使用GNU awk，您可以使用数组数组：

gawk '
    NR==FNR {f1[$1][$2] = $3; next} 
    $1 in f1 {
        for (val in f1[$1]) 
            if (val-100 <= $2 && $2 <= val+100) 
                print $0, f1[$1][val]
    }
' file1 file2

否则，您必须使用一维数组并将2条信息填入密钥：

awk '
    NR==FNR {f1[$1,$2] = $3; next} 
    {
        for (key in f1) {
            split(key, a, SUBSEP) 
            if (a[1] == $1 && a[2]-100 <= $2 && $2 <= a[2]+100) 
                print $0, f1[key]
        }
    }
' file1 file2

适用于mawk和nawk（和gawk）

Answer 2

#!/usr/bin/python

import pandas as pd
from StringIO import StringIO

file1 = """
1 290 rs1345
2 450 rs5313
1 1120 rs4523
2 790 rs4325
"""

file2 = """
1 201 LDLR
2 714 APOA5
1 818 NOTCH5
1 514 TTN
"""

sio = StringIO(file1)
df1 = pd.read_table(sio, sep=" ", header=None)
df1.columns = ["a", "b", "c"]

sio = StringIO(file2)
df2 = pd.read_table(sio, sep=" ", header=None)
df2.columns = ["a", "b", "c"]

df = pd.merge(df2, df1, left_on="a", right_on="a", how="outer")

#query is intuitive
r = df.query("b_y-100 < b_x <b_y + 100")
print r[["a", "b_x", "c_x", "c_y"]]

输出：

   a  b_x    c_x     c_y
0  1  201   LDLR  rs1345
7  2  714  APOA5  rs4325

pandas是进行此类表格数据操作的正确工具。

awk设置变量来制作范围

2 个答案: