Question

我有一个制表符分隔的文件，该文件包含三列（GO ID，生物过程，基因），并且我想比较第三列的行，如果它们匹配，我想分别加入其第一列和第二列。我是一种新编程，我尝试了许多效率不高的方法，但没有得到想要的结果。

这是所需输出的一个示例。

输入

GO:0007155      cell adhesion   ACHE
GO:0022610      biological adhesion     ACHE
GO:0007155      cell adhesion   ADAM19
GO:0022610      biological adhesion     ADAM19
GO:0007155      cell adhesion   AMBN
GO:0022610      biological adhesion     AMBN

输出：

GO:0007155;GO:0022610      cell adhesion;biological adhesion   ACHE
GO:0007155;GO:0022610      cell adhesion;biological adhesion   ADAM19
GO:0007155;GO:0022610      cell adhesion;biological adhesion   AMBN

Answer 1

我用制表符分隔了您的数据。

$: cat cols
GO:0007155      cell adhesion   ACHE
GO:0022610      biological adhesion     ACHE
GO:0007155      cell adhesion   ADAM19
GO:0022610      biological adhesion     ADAM19
GO:0007155      cell adhesion   AMBN
GO:0022610      biological adhesion     AMBN

$: declare -A A B C # associative arrays - "lookup tables"
$: tab=$'\t'        # just to make it easier to see it embedded
$: while IFS=$'\t' read a b c
   do A[$c]="${A[$c]};$a"
      B[$c]="${B[$c]};$b"
   done < cols      # stack cols
$: for c in "${!A[@]}"
   do echo "${A[$c]#;}$tab${B[$c]#;}$tab$c" # strip leading semicolons
   done
GO:0007155;GO:0022610   cell adhesion;biological adhesion       ADAM19
GO:0007155;GO:0022610   cell adhesion;biological adhesion       AMBN
GO:0007155;GO:0022610   cell adhesion;biological adhesion       ACHE

输出顺序重要吗？例如，如果您需要按字母顺序排列它们，则可以使用以下方法：

$: for c in $( printf "%s\n" "${!A[@]}" | sort )
   do echo "${A[$c]#;}$tab${B[$c]#;}$tab$c"
   done

Answer 2

使用经常使用的GNU datamash加上某种按摩以获得所需格式的输出的一种方法：

$ datamash -g 3 collapse 1 collapse 2 < input.tsv | \
   awk 'BEGIN { FS=OFS="\t" } { print $2, $3, $1 }' | tr , ';'   
GO:0007155;GO:0022610   cell adhesion;biological adhesion   ACHE
GO:0007155;GO:0022610   cell adhesion;biological adhesion   ADAM19
GO:0007155;GO:0022610   cell adhesion;biological adhesion   AMBN

（这假设文件是根据示例数据中的第三列进行排序的）

在perl中：

$ perl -F"\t" -lane 'push @{$genes{$F[2]}}, [@F[0,1]];
                     END { $,="\t";
                           for (sort keys %genes) {
                             print join(";", map { $_->[0] } @{$genes{$_}}),
                                   join(";", map { $_->[1] } @{$genes{$_}}),
                                   $_ } }' input.tsv
GO:0007155;GO:0022610   cell adhesion;biological adhesion   ACHE
GO:0007155;GO:0022610   cell adhesion;biological adhesion   ADAM19
GO:0007155;GO:0022610   cell adhesion;biological adhesion   AMBN

比较“特定”列的行，如果“特定”列的行匹配，则将其他列合并

2 个答案: