tengo dos archivos
Archivo 1:
SNP Allele1 Allele2 Effect StdErr PVAL Direction HetISq HetChiSHetDf HetPVal rs12266638 tg 0.4259 0.0838 3.776e-07 +? 0.0 0.000 0 1 rs7995014 tc 2.2910 0.5012 4.853e-06 +? 0.0 0.000 0 1Archivo 2:
Chromosome Position SNP EA NEA EAF BETA SE P Direction 10 108627406 rs12266638 tg 0.991 -0.2649 0.0578 4.608e-06 - 11 116365828 rs112127824 at 0.0327 0.4569 0.0994 4.327e-06 +Me gustaría imprimir un archivo 3, basado en la columna "SNP". Si el SNP existe en el archivo 2, me gustaría imprimir toda la fila con todas las columnas del archivo 1.
Producción:
rs12266638 tg 0.4259 0.0838 3.776e-07 +? 0.0 0.000 0 1Intenté lo siguiente:
awk 'FNR==NR{a[$1]=$0; if(NR==1) print $0} ($1 in a) {print a[$1]}' file 1 file 2 > file 3Pero imprime SNP diferentes a los presentes en el archivo 2.
Puedes usar este awk :
awk 'FNR==NR {a[$3]; next} FNR> 1 && $1 in a' file2 file1 rs12266638 tg 0.4259 0.0838 3.776e-07 +? 0.0 0.000 0 1Una solución más general que funciona para cualquier posición del campo SNP:
# SO71009277.awk BEGIN { fnr = 0 while ((getline < ARGV[2]) > 0) { ++fnr if (fnr == 1) { for (i=1; i<=NF; i++) FIELDBYNAME2[$i] = i # eg FIELDBYNAME2["SNP"] = 3 } else { SNP_KEY[$FIELDBYNAME2["SNP"]] } } close(ARGV[2]) fnr = 0 while ((getline < ARGV[1]) > 0) { ++fnr if (fnr == 1) { for (i=1; i<=NF; i++) FIELDBYNAME1[$i] = i # eg FIELDBYNAME1["SNP"] = 1 } else { if ($FIELDBYNAME1["SNP"] in SNP_KEY) print $0 } } close(ARGV[1]) }Llamar:
awk -f SO71009277.awk file1.txt file2.txt => rs12266638 tg 0.4259 0.0838 3.776e-07 +? 0.0 0.000 0 1Editado por Ed Morton: si desea hacer lo anterior usando un awk más idiomático, sería:
FNR == 1 { for (i=1; i<=NF; i++) { fieldByName[(NR==FNR),$i] = i } next } NR == FNR { snpKey[$(fieldByName[1,"SNP"])] = $0 next } $(fieldByName[0,"SNP"]) in snpKey { print snpKey[$(fieldByName[0,"SNP"])] }Dependiendo de qué tan grande sea el conjunto de datos, esto debería ser bastante rápido, solo accediendo a cada archivo una vez. De acuerdo, no en un sistema con el que pueda comparar en este momento, por lo que en su mayoría es una corazonada. Sin embargo, una solución como esta probablemente solo sea adecuada si la cantidad de identificadores únicos no es muy grande.
#!/bin/bash snp_expression=$(awk 'FNR>1{print $3}' file_2 | sort -u | paste -sd "|") grep -E "^(${snp})[[:space:]]" file_1 > file_3