我的两个文件如下所示:
文件 1:
18 1600000 + CAA 0 1
18 1600000 - CAC 0 11
18 1600000 - CAC 0 3
18 1600000 - CAC 0 5
18 1600001 - CAA 0 11
18 1600001 + CCC 0 1
18 1600001 - CCC 0 3
18 1600002 - CAT 0 1
18 1600002 - CAT 0 3
文件 2:
18 1600000 + CGG 6 6
18 1600000 - CGT 0 2
18 1600001 - CCC 0 3
18 1600001 + CGG 0 11
18 1600001 - CGG 9 9
18 1600002 - CAT 0 1
18 1600002 - CAT 0 3
18 1600002 + CAT 0 6
18 1600002 + CCA 0 5
我想根据第 2 列加入
这两个文件,但在没有匹配项的地方放置一个 NULL 值。在文件 1 中有 4 行 1600000,而在文件 2 中只有 2 行。所以我希望输出如下所示:
18 1600000 + CAA 0 1 1600000 + CGG 6 6
18 1600000 - CAC 0 11 1600000 - CGT 0 2
18 1600000 - CAC 0 3
18 1600000 - CAC 0 5
18 1600001 - CAA 0 11 1600001 - CCC 0 3
18 1600001 + CCC 0 1 1600001 + CGG 0 11
18 1600001 - CCC 0 3 1600001 - CGG 9 9
18 1600002 - CAT 0 1 1600002 - CAT 0 3
18 1600002 - CAT 0 3 1600002 + CAT 0 6
1600002 + CCA 0 5
....
我认为 join
命令可能是个问题,因为它只使用 1 个文件作为模板。因此,如果文件 2 中有额外的值,我认为这些值将会丢失。因此,更复杂的 awk
参数可能效果更好。每个文件都有一些其他文件没有的行。
最佳答案
您可以像这样使用 awk
:
awk 'NR==FNR{sub(/^[^[:blank:]]+[[:blank:]]+/, ""); a[$1,++c[$1]]=$0; next}
{print $0, a[$2,++d[$2]]}' OFS='\t' file2 file1
输出:
18 1600000 + CAA 0 1 1600000 + CGG 6 6
18 1600000 - CAC 0 11 1600000 - CGT 0 2
18 1600000 - CAC 0 3
18 1600000 - CAC 0 5
18 1600001 - CAA 0 11 1600001 - CCC 0 3
18 1600001 + CCC 0 1 1600001 + CGG 0 11
18 1600001 - CCC 0 3 1600001 - CGG 9 9
18 1600002 - CAT 0 1 1600002 - CAT 0 1
18 1600002 - CAT 0 3 1600002 - CAT 0 3
此 awk 命令使用一个关联数组,其中复合键作为第 2 列 + 每个第 2 列值的递增计数器
。 sub
函数用于从第二个文件中丢弃第一列的值,因为输出中不需要。
关于regex - 根据列值连接两个文件。原始文件有重复值,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/35415113/