☰

Como comparar duas colunas de um arquivo e uma lista e imprimir um padrão não correspondente com o awk

tag-icon • tag-icon text-processing awk
Como comparar duas colunas de um arquivo e uma lista e imprimir um padrão não correspondente com o awk

Eu tenho um arquivo de dados A.tsv(separador de campo = \t):

id  mutation
243 siti,toto,mumu
254     
267 lala,siti,sojo
289 lala

e um arquivo de modelo B.txt(separador de campo = não é importante porque apenas uma linha e uma coluna):

lala,siti,mumu

Quero criar uma nova coluna em A.tsv(mas em um novo arquivo C.tsv) chamada mutation_notonde são impressas apenas as mutações presentes na mutationcoluna A.tsvque não estão presentes na lista de B.txt.

C.tsvse parece com isso:

id  mutation    mutation_not
243 siti,toto,mumu  toto
254     
267 lala,siti,sojo  sojo
289 lala

Eu tentei com excluir:

awk 'NR==FNR {exclude[$0];next} !($0 in exclude)' file2 file1

mas não tenho nenhum bom resultado. Você tem alguma ideia? Obrigado

Responder1

awk ' BEGIN{OFS="\t"}
NR==FNR{ for(i=1; i<=NF; i++) muts[$i]; next }
FNR>1  { len=split($2, tmp, ",");
         for(i=1; i<=len; i++) buf= buf (tmp[i] in muts?"":(buf==""?"":",") tmp[i])
       }
{ print $0, (FNR==1?"mutation_not":buf); buf="" }' FS=',' fileB FS='\t' fileA

Responder2

Usando gawk:

awk 'BEGIN{OFS="\t"; }
NR==FNR{ar[$1]=$1;next}
FNR==1{$(NF+1) = "mutation_not"}
FNR>1{split($2,a,","); 
for(i in a) if (a[i] in ar) ; 
else ncol[$1] = (ncol[$1])? ncol[$1] "," a[i] : a[i]; 
$(NF+1) = ncol[$1]}1' 
RS="," B.txt  RS="\n" FS="\t" A.tsv

Supondo que todos os campos sejam separados por vírgula e tenham apenas uma linha, Record Separator( RS) é definido como vírgula para file B.txt.

NR==FNR{ar[$1]=$1;nextcria um array arindexado no primeiro campo do primeiro arquivo.

FNR==1{$(NF+1) = "mutation_not"cria mais uma coluna no nome do cabeçalho.

FNR>1{split($2,a,",")divide o segundo campo em A.tsvum array a.

A próxima entrada não presente B.txté salva no ncolarray. $(NF+1) = ncol[$1]cria mais uma coluna com elementos de array ncol.

Responder3

Formaremos um sets2 com os elementos separados por vírgula do arquivo B.txt

Então, para cada linha de A.tsv, converteremos o segundo campo em um conjunto e subtrairemos dele o conjunto s2. Isso nos dá as mutações presentes em A.tsv não encontradas em B.txt. Em seguida, juntamos os elementos resultantes e imprimimos junto com a linha original.

python3 -c 'import sys
tsv,txt = sys.argv[1:]
fs,rs = "\t","\n"
ofs,dlm = fs,","

with open(txt) as fh, open(tsv) as f:
  s2 = set(*list(map(lambda x:x.rstrip(rs).split(dlm),fh.readlines())))

  for nr,ln in enumerate(f,1):
    l = ln.rstrip(rs)
    if nr == 1: print(l,"mutation_not",sep=ofs)
    else:
      F = l.split(ofs)
      if len(F) < 2: print(l)
      else: print(l,
  dlm.join({*F[1].split(dlm)}-s2),sep=ofs)

' A.tsv B.txt

Resultado:

id  mutation    mutation_not
243 siti,toto,mumu  toto
254
267 lala,siti,sojo  sojo
289 lala

Desta vez usaremos o editor Gnu sed para obter os resultados:

sed -Ee '
  1{h;d;}
  2s/\tmutation$/&&_not/;t

  s/\t\S+$/&&,/;T;G
  s/\t/\n/2;ta

  :a
  s/\n([^,]+),(.*\n(.*,)?\1(,|$))/\n\2/;ta
  s/\n([^,\n]+),/\t\1\n/;ta

  s/\n.*//
' B.txt A.tsv

A ideia é que o arquivo Btxt seja armazenado em espera (assumindo que tenha uma linha) e cada linha de A.tsv seja anexada pelo conteúdo de B.txt e as mutações encontradas em B.txt são marcadas. Depois que todas as mutações forem analisadas, a linha será impressa.

informação relacionada