Question

我有两个结构相似的文件（制表符分隔，很多很多行，第3列减去第2列= 1），看起来有点像这样：

文件1：

1 170023 170024 A -
1 170024 170025 T -
1 170026 170027 A -
1 170028 170029 G -
1 170029 170030 C -
1 170031 170032 C -

文件2：

1 170023 170024 A
1 170024 170025 T
1 170025 170026 G
1 170026 170027 A
1 170027 170028 G
1 170028 170029 T
1 170029 170030 A
1 170030 170031 G
1 170031 170032 C

我想将文件2中的第4列（仅限字母列）添加到文件1.对于pr或paste，这通常很容易，但问题是第1列-3在两个文件中不相同。换句话说，文件具有不同数量的行，文件2总是比文件1更多行（特别是，文件1中找到的第2和第3列中的所有数字也出现在文件2中，但不是反之亦然< / em>的）。我也知道如何在R中执行它但是文件太大而不能在R中轻松处理我将需要为十几个文件执行任务。所以我猜，bash或任何命令行软件都是最有效的解决方案。

我真正想要做的是添加文件2中第4列的字母，当且仅当文件2中的第1-3列完全匹配文件1中的第1-3列时。因此，文件1的第4列和第5列中出现的符号无关紧要。根据上面的文件1和文件2的示例，所需的输出将是：

输出：

1 170023 170024 A - A 1 170024 170025 T - T 1 170026 170027 A - A 1 170028 170029 G - T 1 170029 170030 C - A 1 170031 170032 C - C

如果有人可以帮助我，我会很高兴的。非常感谢你提前！

Answer 1

我可以考虑使用join和awk为此提供一个简单的解决方案。可能不是使用awk解决问题的最有效方法（可能会因此而被专家抨击:)），但我能够解决这个问题。

<强>解决方案-1： -

您需要做的就是首先使用join而不指定要加入的任何特定列。它会根据常见的重复列自动连接文件，在本例中为第1列。然后在该输出上，我们可以让awk播放打印符合您需要的行并格式化所需的列。

join file1 file2 | awk '{ if (($2==$6) && ($3==$7)) printf("%s %s %s %s %s %s\n", $1, $2, $3, $4, $5, $8) }'

将输出生成为

1 170023 170024 A - A
1 170024 170025 T - T
1 170026 170027 A - A
1 170028 170029 G - T
1 170029 170030 C - A
1 170031 170032 C - C

<强>解决方案-2： -

仅使用普通join

join -j 2 file1 file2 -o 1.1,1.2,1.3,1.4,1.5,2.4

也会产生与预期相同的输出。

`join' writes to standard output a line for each pair of input lines that have identical join fields.

引用man的{{1}}页面内容，如下所示

join

因此，该命令首先通过第2列加入`-j FIELD' Equivalent to `-1 FIELD -2 FIELD'. `-o FIELD-LIST' Otherwise, construct each output line according to the format in FIELD-LIST. Each element in FIELD-LIST is either the single character `0' or has the form M.N where the file number, M, is `1' or `2' and N is a positive field number.和file1，然后从看到的输出中打印所需的列，由（file2，1.1，{表示{1}}，1.2，1.3，1.4），应该被理解为1.5。2.4。为了更好地理解，我建议首先看一下没有file选项的输出，以及我是如何构建输出的。

<强>解决方案-3： -

使用plain'ol column，我在回答这个问题的时候实际上已经学会了一点。

-o

说明： -

awk将在awk 'FNR==NR{a[$1 FS $2 FS $3]=$4;next} (($1 FS $2 FS $3) in a) {print $0, a[$1 FS $2 FS $3]}' file2 file1上处理存储数组FNR==NR{a[$1 FS $2 FS $3]=$4;next}的条目，其下标为column1 space column2 space column3，value为column4。
现在在file2上，我们需要通过执行a来匹配数组中file1的那些行，这将为我提供所有这些行（我们需要column4的值）在file2中，其下标与(($1 FS $2 FS $3) in a) {print $0, a[$1 FS $2 FS $3]}中的一个相同。

从不同的文件添加具有部分匹配模式的列

1 个答案: