☰

comprobar si la cadena está presente en una lista y generar un tercer archivo si la cadena está presente

tag-icon • tag-icon ubuntu text-processing
comprobar si la cadena está presente en una lista y generar un tercer archivo si la cadena está presente

Tengo 2 archivos ("data.tab" y "mylist.tab").

mi archivo "data.tab" se ve así:

Info_1    abc1     abc2     abc3
Info_2    abc5     ghi4
Info_3    abc10
Info_4    abc8     abc7     abc87    klm78    abc99
Info_5

mi archivo "mylist.tab" se ve así:

abc2
abc10
abc34
abc99
abc78
abc8
abc3
abc5
abc4

Me gustaría buscar si cada cadena en "data.tab" (excepto la columna 1) está presente en "mylist.tab". Me gustaría crear un tercer archivo "output.tab" donde, si la cadena está presente, incluiría un "1" y, de lo contrario, un "0" en esa fila/columna respectiva.

Ejemplo: "salida.tab"

Info_1   0    1     1
Info_2   1    0
Info_3   1
Info_4   1    0     0    0    1
Info_5

Tenga en cuenta que "data.tab" contiene un número diferente de columnas para cada fila.

Respuesta1

Esto se expresa claramente en awk:

awk 'FNR==NR { h[$1]; next } { for(i=2; i<=NF; i++) $i = ($i in h)? 1 : 0 } 1' mylist.tab data.tab

O en un formato más legible:

parse.awk

# Collect mylist.tab into the `h` associative array
FNR==NR {
  h[$1]
  next
}

# For all but the first column in data.tab check and record if it is in `h`
{ 
  for(i=2; i<=NF; i++) 
    $i = ($i in h) ? 1 : 0 
}

# Short for { print $0 }
1

Ejecútelo así:

awk -f parse.awk mylist.tab data.tab

Producción:

Info_1 0 1 1
Info_2 1 0
Info_3 1
Info_4 1 0 0 0 1
Info_5

O para columnas delimitadas por tabulaciones:

awk -v OFS='\t' -f parse.awk mylist.tab data.tab

Producción:

Info_1  0   1   1
Info_2  1   0
Info_3  1
Info_4  1   0   0   0   1
Info_5

Respuesta2

Perl al rescate!

Guarde los elementos de la lista en un hash, luego lea la tabla, divídala en espacios en blanco y verifique el hash para imprimir 0 o 1.

#!/usr/bin/perl
use warnings;
use strict;

my %in_list;
open my $LIST, '<', 'mylist.tab' or die $!;
while (<$LIST>) {
    chomp;
    $in_list{$_} = 1;
}

open my $TAB, '<', 'data.tab';
while (<$TAB>) {
    my @cells = split;
    print shift @cells, "\t";
    print join "\t", map $in_list{$_} ? 1 : 0, @cells;
    print "\n";
}

Respuesta3

Úselo sedpara crear un sedscript desde mylist.tab y ejecutarlo en data.tab:

sed \
    -e '1i s/^[ \\t]*//' \
    -e 's@\(.*\)@s/\\([ \\t]\\)\1\\b/\\11/@g' \
    -e '$as/\\([ \\t]\\)[^ \\t]\\{2,\\}\\b/\\10/g' mylist.tab \
    > /tmp/x.sed 
sed -f /tmp/x.sed data.tab

Nota: Supongo que todas las cadenas de "mylist.tab" tienen al menos 2 caracteres.

Respuesta4

Otra perlsolución

$ perl -lne 'if(!$#ARGV){ $h{$_}=1 }
             else{ s/\h\K\H+/$h{$&} ? 1 : 0/ge; print }
            ' mylist.tab data.tab
Info_1    0     1     1
Info_2    1     0
Info_3    1
Info_4    1     0     0    0    1
Info_5
  • if(!$#ARGV){ $h{$_}=1 }construir un hash de palabras enmylist.tab
  • s/\h\K\H+/$h{$&} ? 1 : 0/gepara las líneas en data.tab, reemplácelas con 1si están presentes en la variable hash, de lo contrario 0. La \h\Kbúsqueda hacia atrás es positiva para detectar la presencia de espacios en blanco, lo que evita que la primera columna coincida.
  • Luego imprima la línea modificada.

información relacionada