☰

如何使用 awk 比较文件和列表的两列并打印不匹配的模式

tag-icon • tag-icon text-processing awk
如何使用 awk 比较文件和列表的两列并打印不匹配的模式

我有一个数据文件A.tsv（字段分隔符= \t）：

id  mutation
243 siti,toto,mumu
254     
267 lala,siti,sojo
289 lala

和一个模板文件B.txt（字段分隔符=不重要，因为只有一行和一列）：

lala,siti,mumu

我想在A.tsv（但在新文件中C.tsv）创建一个名为mutation_notwere 的新列，仅打印列表中不存在的列中mutation存在的突变。A.tsvB.txt

C.tsv看起来像这样：

id  mutation    mutation_not
243 siti,toto,mumu  toto
254     
267 lala,siti,sojo  sojo
289 lala

我尝试排除：

awk 'NR==FNR {exclude[$0];next} !($0 in exclude)' file2 file1

但我没有任何好的结果。你有好主意吗？谢谢

答案1

awk ' BEGIN{OFS="\t"}
NR==FNR{ for(i=1; i<=NF; i++) muts[$i]; next }
FNR>1  { len=split($2, tmp, ",");
         for(i=1; i<=len; i++) buf= buf (tmp[i] in muts?"":(buf==""?"":",") tmp[i])
       }
{ print $0, (FNR==1?"mutation_not":buf); buf="" }' FS=',' fileB FS='\t' fileA

答案2

使用gawk：

awk 'BEGIN{OFS="\t"; }
NR==FNR{ar[$1]=$1;next}
FNR==1{$(NF+1) = "mutation_not"}
FNR>1{split($2,a,","); 
for(i in a) if (a[i] in ar) ; 
else ncol[$1] = (ncol[$1])? ncol[$1] "," a[i] : a[i]; 
$(NF+1) = ncol[$1]}1' 
RS="," B.txt  RS="\n" FS="\t" A.tsv

假设所有字段都用逗号分隔并且只有一行，则 Record Separator( RS) 对于 file 被设置为逗号B.txt。

NR==FNR{ar[$1]=$1;nextar创建一个以第一个文件的第一个字段为索引的数组。

FNR==1{$(NF+1) = "mutation_not"在标题名称中再创建一列。

FNR>1{split($2,a,",")将 的第二个字段拆分A.tsv为数组a。

下一个不存在的条目B.txt将保存到ncol数组中。 $(NF+1) = ncol[$1]使用 array 的元素再创建一列ncol。

答案3

我们将由set文件 B.txt 的逗号分隔元素组成 s2

然后，对于 A.tsv 的每一行，我们将第二个字段转换为一个集合，并从中减去 s2 集合。这让我们得到了 A.tsv 中存在的突变，而 B.txt 中没有发现这些突变。然后我们连接结果元素并将其与原始行一起打印。

python3 -c 'import sys
tsv,txt = sys.argv[1:]
fs,rs = "\t","\n"
ofs,dlm = fs,","

with open(txt) as fh, open(tsv) as f:
  s2 = set(*list(map(lambda x:x.rstrip(rs).split(dlm),fh.readlines())))

  for nr,ln in enumerate(f,1):
    l = ln.rstrip(rs)
    if nr == 1: print(l,"mutation_not",sep=ofs)
    else:
      F = l.split(ofs)
      if len(F) < 2: print(l)
      else: print(l,
  dlm.join({*F[1].split(dlm)}-s2),sep=ofs)

' A.tsv B.txt

结果：

id  mutation    mutation_not
243 siti,toto,mumu  toto
254
267 lala,siti,sojo  sojo
289 lala

这次我们将使用Gnu sed编辑器来获取结果：

sed -Ee '
  1{h;d;}
  2s/\tmutation$/&&_not/;t

  s/\t\S+$/&&,/;T;G
  s/\t/\n/2;ta

  :a
  s/\n([^,]+),(.*\n(.*,)?\1(,|$))/\n\2/;ta
  s/\n([^,\n]+),/\t\1\n/;ta

  s/\n.*//
' B.txt A.tsv

想法是，Btxt 文件存储在保留中（假设它是一行），A.tsv 的每一行都附加 B.txt 内容，并勾选 B.txt 中找到的突变。查看完所有突变后，将打印该行。

相关内容