#linux #awk
Вопрос:
Есть много постов, похожих на этот. Несколько часов в поисках проблем я в отчаянии, так как кажется, что все должно быть просто.
У меня есть один файл, который выглядит так:
tig00000005 15310 16162 XP_012153921.1 NW_003797090.1 LOC105664333 PREDICTED: elastin-like tig00000005 23339 23974 XP_012152584.1 NW_003797083.1 LOC100878991 PREDICTED: LOW QUALITY PROTEIN tig00000005 24600 25138 XP_012143166.1 NW_003797196.1 LOC100881279 PREDICTED: ankyrin-2 isoform X2 tig00000005 2685 4511 XP_012144644.1 NW_003797249.1 LOC105662970 PREDICTED: fibrinogen alpha chain-like isoform X2 tig00000005 28923 29432 XP_012148395.1 NW_003797444.1 LOC100881617 PREDICTED: eukaryotic translation initiation factor 4 gamma 3-like isoform X12 tig00000005 32415 34324 XP_012153921.1 NW_003797090.1 LOC105664333 PREDICTED: elastin-like И второй файл, который выглядит так:
tig00000005 maker gene 15310 16162 . . ID=snap_masked-tig00000005-processed-gene-0.2;Name=snap_masked-tig00000005-processed-gene-0.2 tig00000005 maker gene 16764 17237 . . ID=snap_masked-tig00000005-processed-gene-0.3;Name=snap_masked-tig00000005-processed-gene-0.3 tig00000005 maker gene 23339 23974 . . ID=snap_masked-tig00000005-processed-gene-0.4;Name=snap_masked-tig00000005-processed-gene-0.4 tig00000005 maker gene 24600 25138 . - . ID=snap_masked-tig00000005-processed-gene-0.10;Name=snap_masked-tig00000005-processed-gene-0.10 tig00000005 maker gene 25472 26900 . . ID=snap_masked-tig00000005-processed-gene-0.5;Name=snap_masked-tig00000005-processed-gene-0.5 Я хотел бы сопоставить столбцы 1, 2 и 3 в первом файле с 1, 4 и 5 во втором, и если они совпадают, добавьте данные второго файла в первый файл, например так:
tig00000005 15310 16162 XP_012153921.1 NW_003797090.1 LOC105664333 PREDICTED: elastin-like tig00000005 maker gene 15310 16162 . . ID=snap_masked-tig00000005-processed-gene-0.2;Name=snap_masked-tig00000005-processed-gene-0.2 Пример кода, который не сработал:
awk 'OFS="t"; FS="t"; NR==FNR{a[$1,$2,$3]=$0; next} (($1,$4,$5) in a){print $0,a[$0]}' file 1 file 2 awk 'OFS="t"; FS="t"; NR==FNR{a[$1,$2,$3]=($1,$4,$5)} {print $0,a[$0]}' file 1 file 2 Первый выводит файл с каждой строкой из файла 1, за которым следует (не добавленный) файл 2, второй код выдает ошибки, связанные с функцией=. Я пробовал любую перестановку этого, какую только могу себе представить. Спасибо вам за любую помощь, которую вы можете оказать
Ответ №1:
Пара небольших изменений в первом awk сценарии OP:
# old: awk 'OFS="t"; FS="t"; NR==FNR{a[$1,$2,$3]=$0; next} (($1,$4,$5) in a){print $0,a[$0]}' file1 file2 # new - add BEGIN block, modify print statement: awk 'BEGIN {FS=OFS="t"} NR==FNR{a[$1,$2,$3]=$0; next} (($1,$4,$5) in a){print a[$1,$4,$5],$0}' file1 file2 Измененный awk сценарий генерирует:
tig00000005 15310 16162 XP_012153921.1 NW_003797090.1 LOC105664333 PREDICTED: elastin-like tig00000005 maker gene 15310 16162 . . ID=snap_masked-tig00000005-processed-gene-0.2;Name=snap_masked-tig00000005-processed-gene-0.2 tig00000005 23339 23974 XP_012152584.1 NW_003797083.1 LOC100878991 PREDICTED: LOW QUALITY PROTEIN tig00000005 maker gene 23339 23974 . . ID=snap_masked-tig00000005-processed-gene-0.4;Name=snap_masked-tig00000005-processed-gene-0.4 tig00000005 24600 25138 XP_012143166.1 NW_003797196.1 LOC100881279 PREDICTED: ankyrin-2 isoform X2 tig00000005 maker gene 24600 25138 . - . ID=snap_masked-tig00000005-processed-gene-0.10;Name=snap_masked-tig00000005-processed-gene-0.10 Ответ №2:
Вот так?
awk 'NR==FNR{a[$1" "$2" "$3]=$0; next}; {if($1" "$4" "$5 in a){print a[$1" "$4" "$5],$0}}' file1 file2 tig00000005 15310 16162 XP_012153921.1 NW_003797090.1 LOC105664333 PREDICTED: elastin-like tig00000005 maker gene 15310 16162 . . ID=snap_masked-tig00000005-processed-gene-0.2;Name=snap_masked-tig00000005-processed-gene-0.2 tig00000005 23339 23974 XP_012152584.1 NW_003797083.1 LOC100878991 PREDICTED: LOW QUALITY PROTEIN tig00000005 maker gene 23339 23974 . . ID=snap_masked-tig00000005-processed-gene-0.4;Name=snap_masked-tig00000005-processed-gene-0.4 tig00000005 24600 25138 XP_012143166.1 NW_003797196.1 LOC100881279 PREDICTED: ankyrin-2 isoform X2 tig00000005 maker gene 24600 25138 . - . ID=snap_masked-tig00000005-processed-gene-0.10;Name=snap_masked-tig00000005-processed-gene-0.10 Чтобы записать в новый файл, просто сделайте awk 'NR==FNR{a[$1" "$2" "$3]=$0; next}; {if($1" "$4" "$5 in a){print a[$1" "$4" "$5],$0}}' file1 file2 gt; file3
Комментарии:
1. Это не работает, так
a bcab cкак и объединениеabc, и некоторые из объединяемых полей не имеют фиксированной ширины. Если вы замените пробелы запятыми между значениями, объединяемыми для формирования индексов массива (например$1,$2,$3, вместо$1 $2 $3), это позволит избежать этой проблемы.2. Кстати, тестовый запуск с запятыми дал тот же результат, что и пробелы — три значения работали вместе. Использование
a[$1" "$2" "$3]сработало.3. Вы использовали
a[$1,$2,$3]или цитировали запятые? Без кавычек запятая действует какSUBSEP—"The character used to separate multiple subscripts in array elements, ..."4. Я их не цитировал.