我想将 file1 列（1,2,4,5）映射到 file2 列（1,2,4,5）。第 5 列可能包含不同顺序的逗号分隔字符 (A,T,G,C)

Question

文件 1

chr1 123896 rs0987522 A T
chr5 678452 rs8733521 G C,A

文件 2

chr1 123896 rs0987522 A T,C,G
chr5 678452 rs8733521 G A,T

输出

chr1 123896 rs0987522 A T*,C,G
chr5 678452 rs8733521 G C!,A*,T

如果文件 1 的第 4 列与文件 2 的第 4 列（A==>> T、A、G、C）中的任何字符匹配，则文件 2 中的行应按上面给出的输出和文件 1 中的匹配字符进行打印（此处为 T 来自第一行 column5) 应由“ ” (T ) 表示，文件 1 中的非匹配字符应由“！”表示 （C！）。

awk 'NR==FNR{firstfile[$1,$2,$4];next} ($1,$2,$4) in firstfile' File1 file2

我使用过 awk，但仅用于 (1,2,4) 列。请帮助进行第 5 次匹配。第 5 列逗号分隔的字符在文件 1 和文件 2 中的顺序可能不同。

Answer 1

您可以使用awk将$5密钥存储为($1,$2,$4). 在处理 file2 时，它用逗号分割存储的值，并通过附加*. 如果未找到元素（即sub返回0），则我们通过添加!,：

awk 'NR==FNR {
   map[$1,$2,$4] = $5
   next
}
($1,$2,$4) in map {
    n = split(map[$1,$2,$4], a, /,/)
    for (i=1; i<=n; ++i)
       if (sub(a[i], "&*", $5) == 0)
          $5 = a[i] "!," $5
} 1' file1 file2

chr1 123896 rs0987522 A T*,C,G
chr5 678452 rs8733521 G C!,A*,T