☰

用替代单词替换制表符分隔文件中的多个单词

tag-icon • tag-icon text-processing awk sed
用替代单词替换制表符分隔文件中的多个单词

我有一个制表符分隔的文件，其中包含指示生物体的代码（例如 ctc、nmg、nml）（File_1）：

522 ctc:CTC00972    -   506 3.20E-138   
522 nmg:Nmag_3027   -   561 4.70E-73
522 nml:Namu_3564   -   566 1.80E-146

我还有一个制表符分隔的文件，它将代码链接到生物体名称 (File_2)：

ctc  Clostridium_tetani_E88
nla  Neisseria_lactamica
nmg  Natrialba_magadii

如何用 File_2 中的生物体名称替换 File_1 中的代码？

期望的输出：

522 Clostridium_tetani_E88:CTC00972 -   506 3.20E-138   
522 Natrialba_magadii:Nmag_3027     -   561 4.70E-73
522 Neisseria_lactamica:Namu_3564   -   566 1.80E-146

请记住，完整数据集中有数千个这样的代码，并且 File_1 和 File_2 中的生物体顺序不同。

答案1

它实际上只是“从一个文件构建查找表；在处理另一个文件时使用它”的一种变体，其缺点是查找键需要从第二个字段中分离出来。awk例如，您可以这样做：

awk '
  BEGIN{OFS=FS="\t"} 
  NR==FNR {
    a[$1]=$2; next
  } 
  {
    split($2,b,":"); 
    if (b[1] in a) $2 = a[b[1]]":"b[2]
  } 1' File_2 File_1

答案2

这应该可以完成以下工作sed：

sed '/^[a-z]*[[:cntrl:]].*/{s/[[:cntrl:]]/###/;H;d;}
 G
 s/\([a-z]*\)\(:.*\n\)\1###\([^[:cntrl:]]*\)/\3\2/
 P
 d' file_2 file_1

这是一个采用这个通用解决方案。请参阅此处了解其工作原理的说明。

答案3

awk方法：

awk 'NR==FNR{a[$1]=$2;next}$2 in a{$2=a[$2]":"$3;$3=""}1' File_2 FS="[ |:]" File_1

输出：

522 Clostridium_tetani_E88:CTC00972     -   506 3.20E-138   
522 Natrialba_magadii:Nmag_3027    -   561 4.70E-73
522 nml:Namu_3564   -   566 1.80E-146

请注意，nml和nla代码在 2 个输入文件之间不匹配

相关内容