我有以下文件(下划线表示制表符分隔符,文件名不包含在文件内容中):
(sample001.file)
Name_____scores_____gender
Joey_____54_____Boy
Kyle_____87_____Girl
Sia______43_____Girl
Marge____87_____Girl
(sample002.file)
Name_____scores_____gender
Joey_____23_____Boy
Pedro____76_____Boy
Kyle_____76_____Girl
(sample003.file)
Name_____scores_____gender
Kyle_____34_____Girl
James____65_____Boy
Pedro____76_____Boy
Sia______65_____Girl
Marge____23_____Girl
我希望将所有这些文件集成到一个文件中,只包含第一列和第二列数据。它看起来像这样:
(integrate.file)
Name_____sample001____sample002_____sample003
Joey_____54_____23____0
Kyle_____87_____76____34
Sia______43_____0_____65
Marge____87_____0_____23
Pedro____0______76____76
James____0______0_____65
基本上,名称应该只在第一列中有一个条目,如果任何样本上没有数据,则它应该为零。标题不是必需的,但它们可以存在。
有人可以帮我吗?
答案 0 :(得分:1)
使用Bash和process substitution,您可以在一个(相当长的)命令管道中为三个文件执行此操作:
join -e 0 -a 1 -a 2 -t $'\t' -o 0,1.2,2.2 \
<(sed 1d sample001.file | sort) \
<(sed 1d sample002.file | sort) |
join -e 0 -a 1 -a 2 -t $'\t' -o 0,1.2,1.3,2.2 \
- <(sed 1d sample003.file | sort)
请注意,join
要求其输入在连接列上排序,在本例中为第1列。 sed 1d
命令在排序数据之前删除标题行。
-e0
表示在缺少值时放置0
。 -a1
和-a2
选项说明&#39;保留文件1和文件2&#39;中的所有行。 -t $'\t'
选项使用Bash的ANSI C Quoting为分隔符生成标签。如果您省略-t
选项,它就可以使用&#39;但输出列由空格分隔,而不是制表符。 -o
选项指定要打印的列:0
是加入列(每个文件中的第1列); 1.2
是文件1中的第2列,等等。第二个-
中的文件名join
表示读取标准输入&#39;。
样本数据的输出是:
James 0 0 65
Joey 54 23 0
Kyle 87 76 34
Marge 87 0 23
Pedro 0 76 76
Sia 43 0 65
这里有一些处理10个示例文件的代码。我也需要生成数据,因此我使用了工具包中的一些工具来执行此操作 - random
,perturb
,range
(非常类似于标准seq
)和shuffle
:
for sample in $(range -f '%03d' 1 10)
do
random -n 9 -T '%{ABCDEFJKMPS}s %[11:90]d %{BG}s' |
sort -u -k1,1 |
join -o 1.2,2.2,2.3 names - |
shuffle |
sed 's/ / /g' |
perturb -f '%2.0f' -p 10 -c 2 > "sample$sample.file"
done
随机数据生成器的一个小问题是它还不允许您从(多字符)名称列表中选择一个随机条目,所以我使用了一个首字母列表并将它们映射到名称中names
文件。这有点奇怪,但您应该已经拥有数据,不应该生成随机数据。
文件names
包含:
A Alex
B Belle
C Cynthia
D Doreen
E Elizabeth
F Ferdinand
J James
J Joey
K Kyle
M Marge
P Pedro
S Sia
例如,sample001.file
最终包含:
Belle 81 B
Marge 62 B
Ferdinand 37 B
Sia 44 B
Doreen 45 G
Elizabeth 18 G
Joey 16 B
James 19 B
然后,加入代码需要在进行任何加入之前生成所有名称的列表,否则您不会看到不会出现在第一个示例文件中的名称的正确分数。这不使用任何非标准工具。
tmp=$(mktemp ./tmp.XXXXXX)
trap 'rm -f "$tmp" "$tmp".?; exit 1' 0 1 2 3 13 15
sed 's/[[:space:]].*//' "$@" | sort -u > $tmp.0
join_cmd()
{
join -e 0 -a 1 -a 2 -o "$outcols" "$@" > "$tmp.2"
}
outcols="0,2.2"
# Generate list of all names
join_cmd "$tmp.0" <(sort "$1")
mv "$tmp.2" "$tmp.1"
shift
outcols="0,1.2,2.2"
for sample in "$@"
do
join_cmd "$tmp.1" <(sort "$sample")
sed 's/[[:space:]]\([0-9][0-9]*\)$/,\1/' "$tmp.2" > "$tmp.1"
done
# Don't hard code the output file name — do that on the command line that
# invokes this script (same as you specify the input file names on the command line).
sed 's/,/ /g' "$tmp.1" # > integrate.file
rm -f "$tmp" "$tmp".?
trap 0 1 2 3 13 15
通过将数字映射到以逗号分隔的列表中,无需不断扩展连接列的列表即可离开。
$ column -t integrate.file
Alex 0 0 78 0 65 21 0 38 64 0
Belle 81 12 15 58 0 27 0 13 0 52
Cynthia 0 58 0 52 12 0 0 77 0 94
Doreen 45 49 0 85 0 0 57 32 81 63
Elizabeth 18 64 19 39 18 94 52 0 0 25
Ferdinand 37 0 0 0 0 64 72 21 0 28
James 19 0 0 77 0 48 78 59 39 23
Joey 16 0 0 79 0 48 78 70 39 19
Kyle 0 80 0 65 54 26 0 88 0 0
Marge 62 37 13 0 0 81 0 0 24 69
Pedro 0 0 40 0 47 74 79 0 0 0
Sia 44 0 27 0 55 0 43 0 32 0
$
您可以在输出的第2列中看到sample000.file
的内容。您可以看到names
中的所有名称都出现在输出中,每个样本文件都有一个数字。