☰

如何根据另一个文件的列选择唯一的行？

tag-icon • tag-icon linux text-processing bioinformatics
如何根据另一个文件的列选择唯一的行？

我有 2 个遗传数据集。文件 1 是一个 txt 文件，其染色体 ID 也全部出现在文件 2 中。文件 2 是一个 csv 文件，比文件 1 大，并且具有更多唯一的染色体 ID。如何仅提取文件 2 中与文件 1 相比具有唯一染色体 ID 的行？

例如我的数据如下所示：

文件1（染色体位置实际上是我的第125列，由...暗示）：

Gene  pval    ... Chromosome position ID
ACE   0.002   ... 01:3290834_CT_C_1
NOS   0.01    ... 03:3304593_GA_G_1
BRCA  0.004 . ... 06:6265733_GA_G_1
CYP3  0.34    ... 09:9433933_GA_G_1

文件2（染色体位置是我的第一列）：

Chromosome position ID  Gene  pval
01:1243933_GA_G_1       ACE   0.002
03:3304593_GA_G_1       NOS   0.01
06:6265733_GA_G_1       BRCA  0.004
09:9433933_GA_G_1       CYP3  0.34

仅基于染色体位置 ID，仅出现在文件 2 中的输出唯一行将为：

Chromosome position ID  Gene  pval
01:1243933_GA_G_1       ACE   0.002

我尝试使用uniqand获得此输出sort，但目前我只在网上找到使用多个文本文件的示例，但希望相反，它们采用匹配的 ID 行而不是唯一的 ID 行。我也尝试过，grep但由于这些文件很大，命令被终止。

答案1

修改其他线程中的解决方案（不包括 shell 扩展文件 [12]）：

awk ' FNR==NR {P[$125]; next} FNR==1 || !($1 in P)' file1 file2
Chromosome position ID  Gene  pval
01:1243933_GA_G_1       ACE   0.002

相关内容