☰

Как сравнить два столбца файла и списка и вывести несоответствующий шаблон с помощью awk

tag-icon • tag-icon text-processing awk
Как сравнить два столбца файла и списка и вывести несоответствующий шаблон с помощью awk

У меня есть файл данных A.tsv(разделитель полей = \t):

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

и файл шаблона B.txt(разделитель полей = не важен, так как всего одна строка и один столбец):

lala,siti,mumu

Я хочу создать новый столбец в A.tsv(но в новом файле C.tsv) с именем , mutation_notв котором будут выводиться только мутации, присутствующие в mutationстолбце , A.tsvкоторых нет в списке B.txt.

C.tsvвыглядит так:

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

Я попробовал с помощью исключения:

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

но у меня нет хорошего результата. У тебя есть идея? Спасибо

решение1

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

решение2

С использованием 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

Предполагая, что все поля разделены запятыми и имеют только одну строку, Record Separator( RS) устанавливается на запятую для файла B.txt.

NR==FNR{ar[$1]=$1;nextсоздает массив ar, индексированный по первому полю первого файла.

FNR==1{$(NF+1) = "mutation_not"создает еще один столбец в заголовке name.

FNR>1{split($2,a,",")разбивает второе поле на A.tsvмассив a.

Следующая запись, отсутствующая в, B.txtсохраняется в ncolмассиве. $(NF+1) = ncol[$1]Создает еще один столбец с элементами массива ncol.

решение3

Сформируем sets2 из разделенных запятыми элементов файла B.txt

Затем для каждой строки A.tsv мы преобразуем второе поле в набор и вычтем из него набор s2. Это даст нам мутации, присутствующие в A.tsv, но не найденные в B.txt. Затем мы объединяем полученные элементы и печатаем их вместе с исходной строкой.

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

Результат:

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

На этот раз мы воспользуемся редактором Gnu sed для получения результатов:

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

Идея в том, что файл Btxt хранится в удержании (предполагая, что это одна строка), и каждая строка A.tsv добавляется к содержимому B.txt, и мутации отмечаются галочками, которые найдены в B.txt. После того, как все мутации были просмотрены, строка печатается.

Связанный контент