unix - 根据文件 1 UNIX 中单个列的公共(public)值对文件 2 的行进行子集

Question

我正在处理大文件，我只想提取其中一列的值包含在另一个文件的一列的值中的行。

例如，在 file1 中我有 10,000 行，如下所示:

Chr13998356 T   C
Chr1401532  A   G
Chr14021851 A   T

我在文件 2(超过 100,000 行)中只需要第 1 列中的值出现在文件 1 的第 1 列中的行。因此对于文件 2，我有:

Chr1    401530  G   G   60  0   60  11
Chr1    401531  A   A   60  0   60  11
Chr1    401532  A   G   30  170 60  11

我想以第三个文件结束:

Chr1    401532  A   G   30  170 60  11

此文件可能包含几行到 10,000 行。

在 R 中，我会使用类似 df3 <- df2[df2[,1] %in% df1[,2],] 的东西，但文件太大。

有没有简单的 UNIX 解决方案？像使用 comm 这样的东西，但只匹配第一列而不是整行是完美的。或者使用 grep，但同时搜索 10K 个模式。

有什么想法吗？

Answer 1

$ cat file1
Chr13998356 T   C
Chr1401532  A   G
Chr14021851 A   T

$ cat file2
Chr1    401530  G   G   60  0   60  11
Chr1    401531  A   A   60  0   60  11
Chr1    401532  A   G   30  170 60  11

$ awk 'NR==FNR{vals[$1];next} ($1$2) in vals' file1 file2
Chr1    401532  A   G   30  170 60  11