我有两个包含数十亿个 DNA 序列名称的文件,第二个文件是第一个文件的真子集:
例如,
1°:john mike anna paul laura ....
2°:john mike paul ...
所有名字都占据一行。
我的问题是,如何获取第一个文件中包含但不在第二个文件中的名称?
谢谢大家!
答案1
这很简单,但如果每行只有一个名称,而不是用空格分隔列表,您的生活会轻松得多。Linux 中有许多出色的实用程序可用于处理文本文件,这是所有 *nix 都擅长的事情之一,但大多数都希望每行只有一个项目。因此,我的大多数解决方案都将从相应地修改文件开始。
将您的文件更改为每行一个名称:
sed 's/ /\n/g' file > newfile
或者修改原始文件
sed -i 's/ /\n/g' file
一旦你完成了这些,以下任何一个都会给你你想要的东西:
grep
$ grep -vFwf file2 file1 anna laura
comm
或者diff
$ comm -23 <(sort file1) <(sort file2) anna laura $ diff file1 file2 | grep -Po '<\s+\K.*' anna laura
awk
$ awk '(NR==FNR){a[$1]++; next}!($1 in a){print}' file2 file1 laura anna
Perl
$ perl -lne 'BEGIN{open(A,"file2"); while(<A>){chomp; $k{$_}++}} print unless $k{$_}' file2 file1 laura anna
或者
$ perl -lne '$k{$_}++; END{map{print unless $k{$_}>1}keys(%k)}' file2 file1 laura anna
如果你真的不想改变文件的格式(但你确实应该这么做),你可以这样做
awk '{for (i=1;i<=NF;i++){a[$i]++}}END{for(n in a){if(a[n]<2){print n}}}' file2 file1
或者
perl -lane '$k{$_}++ for @F; END{map{print if $k{$_}<2} keys(%k)}' file1 file2
答案2
如果它们按换行符排序和分隔,则您可以使用它来comm
显示 file1 所特有的行:
comm -23 file1 file2
演示:
$ comm -23 <(echo -e 'john\nmike\nanna\npaul\nlaura'|sort) <(echo -e 'john\nmike\npaul'|sort)
anna
laura
或者你可以diff
做同样的事情(grep
正在寻找行删除):
diff sorted-file-1 sorted-file-2 | grep -oP '(?<=< ).+'
如果您需要避免排序或处理大量数字,我建议您使用适当的语言进行基于字典的查找。简单的 Python 示例:
file2 = {}
with open("file2") as f:
for line in f:
file2[line] = 0
with open("file1") as f:
for line in f:
if not line in file2:
print line
如果数据比这个大,你可能需要查看实际的数据库和一些简单的 SQL。它们适用于大数据。
答案3
并且 python 选项:无论所有单词是否在一行中还是在不同的行中:
#!/usr/bin/env python3
import sys
f1 = sys.argv[1]; f2 = sys.argv[2]
def read(f):
with open(f) as content:
return content.read().split()
for item in [w for w in read(f1) if not w in read(f2)]:
print(item)
将脚本复制到一个空文件中,保存为showdiff.py
可执行文件并通过以下命令运行它:
/path/to/showdiff.py file1 file2
anna
laura
笔记
这不是问题,但有太多相关内容不容忽略:
如果你需要列出差异相互,(不仅包括 中file1
没有出现的单词file2
,还包括file2
中没有出现的单词file1
),应使用以下脚本:
#!/usr/bin/env python3
import sys
f1 = sys.argv[1]; f2 = sys.argv[2]
def read(f):
with open(f) as content:
return content.read().split()
wds1 = read(f1); wds2 = read(f2); allwords = wds1+wds2
for item in [w for w in allwords if (w in wds1, w in wds2).count(False) == 1]:
print(item)
答案4
如果你按照 Jacob Vlijm 的建议使用 python 选项,那么值得使用 'set'(有关更多信息,请参阅https://docs.python.org/3/library/stdtypes.html#set-types-set-frozenset)。基本上,一旦您创建了这两个集合,您就可以实现集合数学(并集、交集、差集……)。
在这种情况下,集合差集正是您所需要的:一个新集合,其中包含一个集合中的所有元素,而不包含在另一个集合中。Jacob
的代码将是:
#!/usr/bin/env python3
import sys
f1 = sys.argv[1]; f2 = sys.argv[2]
def read_set(f):
with open(f) as content:
return set(content.read().split())
for item in read_set(f1) - read_set(f2)]:
print(item)
当然,对于数十亿条记录来说,这需要一段时间......'