根据公共列合并多个制表符分隔的表

根据公共列合并多个制表符分隔的表

我是该领域的新手,我想比较和合并 50000 个制表符分隔的文件,每个文件都有两列(“Position”和“Poly”)。 file1 和 file2 (以及其他文件)的示例以及我正在寻找的最终输出如下 -

文件1:

位置保利
100001℃
228201T
341791 T
380441C
392640吨
459055A
459079 电话
480253 T
570405吨
492633A

文件2:

位置保利
100001℃
312002C
341791 T
380441C
412640A
459055A
459079 电话
464056T
570405吨
492633A

输出:

位置 文件1 文件2
100001CC
228201 T-
312002-C
341791 TT
380441CC
392640 T-
412640-A
459055 AA
459079 电汇
480253 T-
464056-T
570405TT
492633 AA

基本上,我想将它们转换为单个矩阵,如果任何文件中缺少某个位置,则添加破折号。

答案1

joinGNU 的函数coreutils确实几乎你想要什么 - 我找不到一种方法来一次性处理两个文件的遗漏,但是

sort -u \
<(join --header --nocheck-order -t$'\t' -a1 -o 1.1,1.2,2.2 -11 -21 -e'-' file1 file2) \ 
<(join --header --nocheck-order -t$'\t' -a2 -o 2.1,1.2,2.2 -11 -21 -e'-' file1 file2)
100001  C       C
228201  T       -
312002  -       C
341791  T       T
380441  C       C
392640  T       -
412640  -       A
459055  A       A
459079  T       T
464056  -       T
480253  T       -
492633  A       A
570405  T       T
Position        Poly    Poly

标题行被排序到底部 - 如果这是一个问题,您可以通过管道sed '$d'或将其删除head -n -1。或者,如果未排序的输出是可接受的,您可以使用awk而不是sort -uie删除重复项

awk '!a[$1]++' \
<(join --header --nocheck-order -t$'\t' -a1 -o 1.1,1.2,2.2 -11 -21 -e'-' file1 file2) \
<(join --header --nocheck-order -t$'\t' -a2 -o 2.1,1.2,2.2 -11 -21 -e'-' file1 file2)
Position        Poly    Poly
100001  C       C
228201  T       -
341791  T       T
380441  C       C
392640  T       -
459055  A       A
459079  T       T
480253  T       -
570405  T       T
492633  A       A
312002  -       C
412640  -       A
464056  -       T

答案2

一个gawk解决方案,使用每两个文件,并且您不介意输出的顺序:

$ awk '
    FNR == NR {
        if (FNR == 1) {header = "Position "FILENAME;next}
        a[$1] = $2;
        next;
    }
    {
        if (FNR == 1) {header = header" "FILENAME;next}
        if ($1 in a) {
            a[$1] = a[$1]" "$2;
        }
        else {
            a[$1] = "- "$2;
        }
    }
    END {
        print header;
        for (i in a) {
            print i,length(a[i]) == 1 ? a[i]" -" : a[i];
        }
    }
' file1 file2
Position file1 file2
412640 - A
380441 C C
392640 T -
570405 T T
341791 T T
459079 T T
464056 - T
228201 T -
312002 - C
100001 C C
480253 T -
492633 A A
459055 A A

答案3

如果python没问题,并且两个文件的输出顺序没有问题:

f = open("path to file1", "r")
g = open("path to file2", "r")
pos_1 = []
pos_2 = []
poly_1 = []
poly_2 = []
for line in f:
    line = line.strip('\n')
    a, b = line.split(' ')
    pos_1.append(a)
    poly_1.append(b)
for line in g:
    line = line.strip('\n')
    a, b = line.split(' ')
    pos_2.append(a)
    poly_2.append(b)
res = pos_1 + pos_2
result = []
for pos in res:
    val1 = "-"
    val2 = "-"
    if pos in pos_1:
        val1 = poly_1[pos_1.index(pos)]
    if pos in pos_2:
        val2 = poly_2[pos_2.index(pos)]
    t = (pos, val1, val2)
    result.append(t)
result = set(result) // to remove duplicates
for val in result:
    pos = val[0]
    val1 = val[1]
    val2 = val[2]
    ans = str(pos)+" "+str(val1)+" "+str(val2)
    print ans

这是在 python 2.7 中,对于 python 3,用 print() 函数替换 print 。

相关内容