☰

Vergleichen Sie Spalten verschiedener Dateien mit unterschiedlicher Größe und ersetzen Sie sie durch NA nicht übereinstimmende Werte.

tag-icon • tag-icon text-processing text-formatting
Vergleichen Sie Spalten verschiedener Dateien mit unterschiedlicher Größe und ersetzen Sie sie durch NA nicht übereinstimmende Werte.

Ich habe drei Datenrahmen:

Datenrahmen 1

chr start end Id chr1 1 400 SN_1 chr1 401 800 SN_2 chr1 801 1200 SN_3 chr1 1201 1600 SN_4 chr1 1601 2000 SN_5 chr1 2001 2400 SN_6 chr1 2401 2800 SN_7

Datenrahmen 2

chr start end Id chr1 401 800 SN_2 chr1 801 1200 SN_3 chr1 1201 1600 SN_4

Datenrahmen 3

chr start end Id chr1 1201 1600 SN_4 chr1 1601 2000 SN_5 chr1 2001 2400 SN_6

und ich möchte einen endgültigen Datenrahmen erhalten, in dem gemäß der 4. Spalte des 1. Datenrahmens eine Übereinstimmung oder eine Nichtübereinstimmung in Bezug auf die 4. Spalte des 2. und 3. Datenrahmens gemeldet wird. In einem neuen Datenrahmen wird bei einer Übereinstimmung dieselbe ID gemeldet, aber falls eine Übereinstimmung vorliegt, wird der ID-Name durch ein NA ersetzt. Vielleicht ist es einfacher zu verstehen, einfach Eingabe und Ausgabe aufzuschreiben. Etwa so:

Erwünschtes Ergebnis:

chr start end Id Id Id chr1 1 400 SN_1 NA NA chr1 401 800 SN_2 SN_2 NA chr1 801 1200 SN_3 SN_3 NA chr1 1201 1600 SN_4 SN_4 SN_4 chr1 1601 2000 SN_5 NA SN_5 chr1 2001 2400 SN_6 NA SN_6 chr1 2401 2800 SN_7 NA NA

Ich habe es mit dem Join-Befehl im Unix versucht, kann aber Datenrahmen unterschiedlicher Größe nicht vergleichen. Für jede Idee bin ich sehr dankbar.

Antwort1

awkLösung:

awk 'FILENAME == ARGV[1] && NR>1{ df2[$2,$3,$4] }
     FILENAME == ARGV[2] && FNR>1{ df3[$2,$3,$4] }
     FILENAME == ARGV[3]{ if(FNR == 1) { printf("%s\t%s\t%s\n",$0,$NF,$NF) } 
     else { printf("%s\t%s\t%s\n",$0, (($2,$3,$4) in df2)? $NF :"NA",(($2,$3,$4) in df3)? $NF :"NA")} 
}' df2 df3 df1 | column -t

Die Ausgabe:

chr   start  end   Id    Id    Id
chr1  1      400   SN_1  NA    NA
chr1  401    800   SN_2  SN_2  NA
chr1  801    1200  SN_3  SN_3  NA
chr1  1201   1600  SN_4  SN_4  SN_4
chr1  1601   2000  SN_5  NA    SN_5
chr1  2001   2400  SN_6  NA    SN_6
chr1  2401   2800  SN_7  NA    NA

  • df2und sind Ihr 2., 3. und 1 df3.df1DatenrahmenDateien bzw.

  • FILENAME- integrierte Variable, die auf den Namen der aktuell verarbeiteten Datei zeigt

  • ARGV- integrierte Variable, die auf alle an das awk-Skript übergebenen Argumente verweist. Das heißt, sie ARGV[1]enthältdf2

  • FILENAME == ARGV[1] && NR>1- Auffinden der 1. Datei (dh df2) ab der 2. Zeile

    • df2[$2,$3,$4]- Erfassung entscheidender Werte aus "Datenrahmen 2" als Schlüssel des Arraysdf2

  • FILENAME == ARGV[2] && FNR>1- Auffinden der 2. Datei (dh df3) ab der 2. Zeile

    • df3[$2,$3,$4]- Erfassung entscheidender Werte aus "Datenrahmen 3" als Schlüssel des Arraysdf3

  • FILENAME == ARGV[3]- Begegnung mit der 3. Datei (dh df1), der HauptDatenrahmen

Antwort2

perl -lane '$,="\t";
   !@ARGV and $. == 1 and print($_, qw/Id/x2),next;
   $h{$F[1],$F[2]}->[@ARGV] = $F[3];
   !@ARGV and print $_, map { $h{$F[1],$F[2]}->[$_] // q/NA/ } 1..2;
   $. = 0 if eof;
' file3 file2 file1

Ergebnisse

chr    start   end     Id       Id      Id
 chr1   1       400     SN_1    NA      NA
 chr1   401     800     SN_2    SN_2    NA
 chr1   801     1200    SN_3    SN_3    NA
 chr1   1201    1600    SN_4    SN_4    SN_4
 chr1   1601    2000    SN_5    NA      SN_5
 chr1   2001    2400    SN_6    NA      SN_6
 chr1   2401    2800    SN_7    NA      NA

Funktionsweise

  • Die Reihenfolge der Eingaben ist: dataframe3, dataframe2 und dataframe1.
  • Angenommen, dass in dataframe1 alle 4. Spalten ausgefüllt sind, mit anderen Worten, es fehlt keine.
  • Wir rufen Perlim Line-Read-In+Autosplit-Modus auf:perl -lane
  • Während der 3. Frame gelesen wird, hat @ARGV 2 Elemente, während des 2. Frames 1 Element und während des 3. Frames 0 Elemente.
  • Wir füllen einen Hash aus, %hdessen Schlüssel das 2. und 3. Feld sind $F[1],$F[2]und dessen Werte anonyme Array-Referenzen sind, daher als: bezeichnet $h{...}[...].
  • Während der Zeit des 1. Datenrahmens (@ARGV hat 0 Elemente) drucken wir jede Zeile mit dem Inhalt des 1. Datenrahmens und bestimmen, ob die Array-Elemente für den 2./3. Rahmen für die entsprechenden aktuellen 2./3. Felder vorhanden sind oder nicht.

verwandte Informationen