我有一个代码从file1读取基因名称并在file2中找到它们，然后我把它们放在一个表中，我的问题是我需要添加另一个列与关联的＆＃34; start＆＃34;从file1到表的值，但无法成功。我已经尝试过了，但我不是第一时间对awk了解得太多，所以欢迎任何帮助。
决赛桌的想法是：
File1_gen File2_gen Start_from_file1 Value_1_from_file2 Value_2_from_file2
文件1： 该文件有~70.000行和4列;行号，基因名称，基因起始和基因结束，我只需要基因名称并从此开始
seqnames start end
10 Gen_3992149.1 851 900
11 Gen_0011774.1 3899 4043
12 Gen_0011774.1 7628 7692
13 Gen_3993605.1 522 535
文件2： 然后，第二个文件有~100,000行和3列;基因名称，起始值和结束值，我需要其中的三个
Gen_3993605.1 1 602
Gen_3989779.1 691 1002
Gen_3989835.1 1 993
Gen_0011774.1 1476 1712
Gen_0011774.1 5125 6931
Gen_0011774.1 8838 12313
我已经有了一个伪代码几乎完成了所有这些
awk '
FNR == NR {
# reading file1
scaf[$2]
co_id[$3]
next
}
{
# reading file2
for (i in scaf) {
id in co_id
if ( i == $1 )
print "[1] " i "\t" "[2] " $1 "\t" "[3] " id "\t" "[4] " $4 "\t" "[5] "$5
}
}
' Search.txt Genes.txt
导致这样的事情：
[1] Gen_3993605.1 [2] Gen_3993605.1 [3] 522 [4] 1 [5] 602
[1] Gen_0011774.1 [2] Gen_0011774.1 [3] 3899 [4] 1476 [5] 1712
[1] Gen_0011774.1 [2] Gen_0011774.1 [3] 3899 [4] 5125 [5] 6931
[1] Gen_0011774.1 [2] Gen_0011774.1 [3] 3899 [4] 8838 [5] 12313
[1] Gen_0011774.1 [2] Gen_0011774.1 [3] 7628 [4] 1476 [5] 1712
[1] Gen_0011774.1 [2] Gen_0011774.1 [3] 7628 [4] 5125 [5] 6931
[1] Gen_0011774.1 [2] Gen_0011774.1 [3] 7628 [4] 8838 [5] 12313
如您所见，[3]列为空，我知道co_id＆＃39;中的＆＃39; ID是错的，但这是我尝试的最后一次尝试。
换句话说，如何调用相关的＆＃34; start＆＃34; file1中每个基因的值是否已进入新表？
编辑：更改了应该工作的示例数据。如果有重复的基因名称，它应该显示所有组合。
答案 0 :(得分：1)
第二次尝试......基于更新的问题，a）减少数据集; b）支持基因名称在数据文件中出现多次的额外要求。
示例数据：
$ cat gene.1
10 Gen_3992149.1 851 900
11 Gen_0011774.1 3899 4043
12 Gen_0011774.1 7628 7692
13 Gen_3993605.1 522 535
$ cat gene.2
Gen_3993605.1 1 602
Gen_3989779.1 691 1002
Gen_3989835.1 1 993
Gen_0011774.1 1476 1712
Gen_0011774.1 5125 6931
Gen_0011774.1 8838 12313
另一个awk解决方案：
$ awk '
# process first file; use gene name and row number as indices for 2-dimensional array;
# $2=gene/name, $1=row/number, $3=start/value
FNR==NR { start[$2][$1]=$3
next }
# process second file
{ # loop through list of first dimension indices (ie, gene names)
for (x in start)
# if gene name ($1) shows up as first dimension index in our array ...
if ( $1==x)
# loop through the associated 2nd dimension, printing the desired results
{ for (y in start[x])
{ print "[1] " x "\t" "[2] " x "\t" "[3] " start[x][y] "\t" "[4] " $2 "\t" "[5] "$3 }
}
} ' gene.1 gene.2 | sort
[1] Gen_0011774.1 [2] Gen_0011774.1 [3] 3899 [4] 1476 [5] 1712
[1] Gen_0011774.1 [2] Gen_0011774.1 [3] 3899 [4] 5125 [5] 6931
[1] Gen_0011774.1 [2] Gen_0011774.1 [3] 3899 [4] 8838 [5] 12313
[1] Gen_0011774.1 [2] Gen_0011774.1 [3] 7628 [4] 1476 [5] 1712
[1] Gen_0011774.1 [2] Gen_0011774.1 [3] 7628 [4] 5125 [5] 6931
[1] Gen_0011774.1 [2] Gen_0011774.1 [3] 7628 [4] 8838 [5] 12313
[1] Gen_3993605.1 [2] Gen_3993605.1 [3] 522 [4] 1 [5] 602
注意：通过sort管道传输结果进行基本排序;可以根据所需的输出修改排序标准
正如我之前的回答中所提到的：如果输出需要以固定宽度列显示，那么可以通过用适当的print格式字符串替换printf来实现。 （或者，使用@ karakfa＆column命令的示例。）
答案 1 :(得分：0)
注意：这个答案基于原始问题，这个问题需要我创建一些样本测试数据;原始问题也没有提到基因名称可能在任一数据文件中多次出现。
一些示例数据：
$ cat gene.1
1 Gen_3989161.1 696 720
2 Gen_3989469.1 693 733
3 Gen_3989837.1 462 515
4 Gen_3990203.1 27 112
5 Gen_3990467.1 476 481
6 Gen_3991323.1 134 152
7 Gen_3991401.1 597 681
8 Gen_3991403.1 175 217
9 Gen_3991951.1 897 907
10 Gen_6899912.3 888 999
$ cat gene.2
Gen_3989161.1 1696 2720
Gen_3989469.1 1693 2733
Gen_3989837.1 1462 2515
Gen_3990203.1 127 2112
Gen_3990467.1 1476 2481
Gen_3991323.1 1134 2152
Gen_3991401.1 1597 2681
Gen_3991403.1 1175 2217
Gen_3991951.1 1897 2907
Gen_8877722.9 7777 8888
一个awk解决方案：
$ awk '
# process first file ...
FNR==NR { # use gene seq name as index; store start value
start[$2]=$3
next }
# process second file ...
{ # if we have a start value for the current gene seq name ($1)
if ( start[$1] != "" )
# then print
print "[1] " $1 "\t" "[2] " $1 "\t" "[3] " start[$1] "\t" "[4] " $2 "\t" "[5] "$3
}
' gene.1 gene.2
[1] Gen_3989161.1 [2] Gen_3989161.1 [3] 696 [4] 1696 [5] 2720
[1] Gen_3989469.1 [2] Gen_3989469.1 [3] 693 [4] 1693 [5] 2733
[1] Gen_3989837.1 [2] Gen_3989837.1 [3] 462 [4] 1462 [5] 2515
[1] Gen_3990203.1 [2] Gen_3990203.1 [3] 27 [4] 127 [5] 2112
[1] Gen_3990467.1 [2] Gen_3990467.1 [3] 476 [4] 1476 [5] 2481
[1] Gen_3991323.1 [2] Gen_3991323.1 [3] 134 [4] 1134 [5] 2152
[1] Gen_3991401.1 [2] Gen_3991401.1 [3] 597 [4] 1597 [5] 2681
[1] Gen_3991403.1 [2] Gen_3991403.1 [3] 175 [4] 1175 [5] 2217
[1] Gen_3991951.1 [2] Gen_3991951.1 [3] 897 [4] 1897 [5] 2907
如果您需要输出与固定宽度列对齐，可以通过将print替换为适当的printf格式字符串来实现...
答案 2 :(得分：0)
由于您的数据已经按键排序，因此您可以使用join加入，awk进行格式化。使用@markp的数据（因为你没有任何公共密钥）
$ join -12 -21 -o1.2,2.1,1.3,2.2,2.3 file1 file2 |
awk -v OFS="\t" '{for(i=1;i<=NF;i++)
printf "[%d] %s", i,$i (i==NF?ORS:OFS)}' |
column -ts$'\t'
[1] Gen_3989161.1 [2] Gen_3989161.1 [3] 696 [4] 1696 [5] 2720
[1] Gen_3989469.1 [2] Gen_3989469.1 [3] 693 [4] 1693 [5] 2733
[1] Gen_3989837.1 [2] Gen_3989837.1 [3] 462 [4] 1462 [5] 2515
[1] Gen_3990203.1 [2] Gen_3990203.1 [3] 27 [4] 127 [5] 2112
[1] Gen_3990467.1 [2] Gen_3990467.1 [3] 476 [4] 1476 [5] 2481
[1] Gen_3991323.1 [2] Gen_3991323.1 [3] 134 [4] 1134 [5] 2152
[1] Gen_3991401.1 [2] Gen_3991401.1 [3] 597 [4] 1597 [5] 2681
[1] Gen_3991403.1 [2] Gen_3991403.1 [3] 175 [4] 1175 [5] 2217
[1] Gen_3991951.1 [2] Gen_3991951.1 [3] 897 [4] 1897 [5] 2907
column的最终管道是用于漂亮打印。显然，重复两次键没有任何意义，因为每行必须相同。