☰

Como combinar strings em dois arquivos e substituir strings?

tag-icon • tag-icon awk
Como combinar strings em dois arquivos e substituir strings?

Eu tenho um arquivo como este: (tem 308545 linhas)

head output11.frq
 CHR               SNP   A1   A2          MAF  NCHROBS
   1      1:775852:T:C    T    C       0.1707     3444
   1     1:1120590:A:C    C    A      0.08753     3496
   1     1:1145994:T:C    C    T       0.1765     3496
   1     1:1148494:A:G    A    G       0.1059     3464
   1     1:1201155:C:T    T    C      0.07923     3496
...

E outro arquivo (marker-info) que possui as primeiras 24 linhas comentadas e é separado por vírgulas que se parece com isto (tem um total de 500593 linhas):

1,742429,SNP_A-1909444,ss66079302,rs3094315,36.2,G,A,C,T,A,GCACAGCAAGAGAAAC[A/G]TTTGACAGAGAATACA,Sty,+,-,y,,,127,phs000018
1,769185,SNP_A-4303947,ss66273559,rs4040617,36.2,A,G,A,G,A,GCTGTGAGAGAGAACA[A/G]TGTCCCAATTTTGCCC,Sty,+,+,n,,,127,phs000018
1,775852,SNP_A-1886933,ss66317030,rs2980300,36.2,T,C,A,G,A,GAATGACTGTGTCTCT[C/T]TGAGTTAGTGAAGTCA,Nsp,-,+,y,,,127,phs000018
1,782343,SNP_A-2236359,ss66185183,rs2905036,36.2,C,T,C,T,A,CTCGATTTGTGTTCAA[C/T]ATATTTCATTTGTACC,Sty,-,-,n,,,127,phs000018
1,1201155,SNP_A-2205441,ss66174584,rs4245756,36.2,C,T,C,T,A,CCAGTGCTTTCAACCA[C/T]ACTCACTTTTCACTGT,Sty,+,+,n,,,127,phs000018
...

Quero substituir a segunda coluna output11.frq pela 5ª coluna no marcador-info que tem o valor correspondente na 1ª e 2ª colunas, portanto, para este exemplo, o resultado de output11.frq ficaria assim:

1      rs2980300    T    C       0.1707     3444
1      rs4245756    T    C      0.07923     3496

Tentei fazer isso, mas recebi um arquivo vazio:

vi tst.awk
NR==FNR { map[$1,$2]=$5; next }
($1,$4) in map { $2=map[$1,$4]; print }


awk -f tst.awk FS=',' marker-info FS='\t' output11.frq  > output11X.frq

EDITAR:

Eu tentei executar isso:

 vi test2.awk
 NR==FNR { map[$2]=$5 }
 NR!=FNR { split($4, x, ":"); if(x[2] in map){ $4=map[x[2]]; print }}

awk -f test2.awk FS=',' marker-info FS='\t' output11.frq > output11X.frq

mas eu entendi isso:

head output11X.frq
 CHR               SNP   A1   A2          MAF  NCHROBS   rs41340551
   1      1:775852:T:C    T    C       0.1707     3444   rs41340551
   1     1:1120590:A:C    C    A      0.08753     3496   rs41340551
   1     1:1145994:T:C    C    T       0.1765     3496   rs41340551
...

Responder1

O problema com o seu script é que você estava tentando usar strings como 11:775852:T:Cchaves em um mapa cujas chaves estão no formato 775852.

Omiti a primeira coluna deste processamento porque você mencionou em um comentário que não acha necessário.

NR==FNR { map[$2]=$5 }
NR!=FNR { split($2, x, ":"); if(x[2] in map){ $2=map[x[2]]; print }}

Eu costumava splitobter a parte relevante da string e adicionei uma condicional, pois até que a substring seja processada, não há como realizar a pesquisa necessária.

Isso parece funcionar conforme solicitado:

[gnubeard@mothership: ~/dna]$ awk -f test.awk FS=',' marker-info FS=' ' output11.frq
 1  rs2980300 T C 0.1707 3444
 1  rs4245756 T C 0.07923 3496

Certifique-se de que os campos que você possui estejam alinhados com as colunas que você acha que possui. Se quiser que a saída seja delimitada por tabulações, você pode definir a OFSvariável na segunda metade do script, assim:NR!=FNR { OFS="\t"; split($2, x, ":"); if(x[2] in map){ $2=map[x[2]]; print }}

EDIT: mudei a FSvariável no comando para alterar o delimitador de output11.frq para espaço em branco. Isso evitará complicações com o número de guias.

informação relacionada