查找模式并打印下一列（两个文件）答案

【问题标题】：Find pattern and print next column (two files)查找模式并打印下一列（两个文件）
【发布时间】：2014-03-09 06:54:00
【问题描述】：

我想在 File2 的 File1 的第 1 列中查找模式，然后在 File2 旁边打印 File1 的第二列：

File1（两列制表符分隔）：

APBW    lung
APCA    non virulent
ABKM    lung
APBX    lung
KK020   -
APBZ    non virulent
AOSU    lung
APBY    non virulent
APBV    joint; lung; CNS
CP001321    virulent
APBT    virulent
APBU    non-virulent
APCB    moderadamente virulenta (nose)
CP005384    -

File2（两列制表符分隔）：

HS372_00243 gi|219690483|gb|CP001321.1|
HS372_00436 gi|529264994|gb|APBX01000055.1|
HS372_00445 gi|529256455|gb|APBT01000061.1|
HS372_00544 gi|529259149|gb|APBV01000035.1|
HS372_00545 gi|529259149|gb|APBV01000035.1|
HS372_00546 gi|529259149|gb|APBV01000035.1|

所需的输出（三列制表符分隔）：

HS372_00243 gi|219690483|gb|CP001321.1| virulent
HS372_00436 gi|529264994|gb|APBX01000055.1| lung
HS372_00445 gi|529256455|gb|APBT01000061.1| virulent
HS372_00544 gi|529259149|gb|APBV01000035.1| jointlungCNS
HS372_00545 gi|529259149|gb|APBV01000035.1| jointlungCNS
HS372_00546 gi|529259149|gb|APBV01000035.1| jointlungCNS

临时 bash 代码（不工作），但对其他语言开放：

while read vl; do grep "$vl" File2 ; done < File1

还尝试使用 awk（不工作，因为它似乎正在寻找完全匹配并且我在 File2 中的字符串被其他东西包围）：

awk 'BEGIN { FS = OFS = "\t" } FNR==NR{a[$1]=$0;next}($1 in a){print a[$1],$2,$3}' File1 File2

谢谢，伯纳多

【问题讨论】：

不清楚你从文件1到文件2使用的模式。有时是同一个，有时是前四个字母...
File1 中的模式长度不同
我的意思是，给定您的示例文件 1，当在文件 2 中找到 APBX01000055 时不应写入任何内容，因为 APBX01000055 不在文件 1 中。
好的，我明白了。问题是我想打印 'lung' 只需找到不完整的 'APBX' 字符串
嗯，这不一致。如果我们得到这个，那么这意味着我们必须检查 4 个字符。但是CP001321 会发生什么？

标签： python perl bash awk bioinformatics

【解决方案1】：

这样的事情听起来像你想要的：

awk '
BEGIN { FS=OFS="\t" }
NR==FNR { map[$1] = $2; next }
{
    for (key in map)
        if ($0 ~ key)
            $0 = $0 OFS map[key]
    print
}
' file1 file2

【讨论】：

不需要，它已经足够快了，如果我要加快速度，肯定不会有 break 语句。
既然这个答案已经被接受，那么输出就不再是问题了。因为 OP 需要从 joint; lung; CNS 转换为 jointlungCNS

【解决方案2】：

希望对你有帮助

file2_contents = [i.strip() for i in open("file2.txt").readlines()]

with open("file1.txt") as file1:
    for each_line in file1.readlines():
        code=each_line.split('\t')[0].strip()
        part=each_line.split('\t')[1].strip()
        for each_file2_contents in file2_contents:
            if code in each_file2_contents:
                print  each_file2_contents+'\t'+part

【讨论】：

那是 Perl 语言吗？我是新来的！
你发布的python标签是python

【解决方案3】：

在 Perl 中：

use warnings;
use strict;
use Data::Dumper;

my $str1 = <<"EOS1";
APBW    lung
APCA    non virulent
ABKM    lung
APBX    lung
KK020   -
APBZ    non virulent
AOSU    lung
APBY    non virulent
APBV    joint; lung; CNS
CP001321    virulent
APBT    virulent
APBU    non-virulent
APCB    moderadamente virulenta (nose)
CP005384    -
EOS1

my $str2 = <<"EOS2";
HS372_00243 gi|219690483|gb|CP001321.1|
HS372_00436 gi|529264994|gb|APBX01000055.1|
HS372_00445 gi|529256455|gb|APBT01000061.1|
HS372_00544 gi|529259149|gb|APBV01000035.1|
HS372_00545 gi|529259149|gb|APBV01000035.1|
HS372_00546 gi|529259149|gb|APBV01000035.1|
EOS2

#HS372_00243 gi|219690483|gb|CP001321.1| virulent

my %data1;my %data2;
foreach my $line ( split(/\n+/,$str1) ){
    my @f = split(/\t/,$line);
    $data1{$f[0]} = $f[1];
}
my @data2 = split(/\n+/,$str2);
foreach my $line ( split(/\n+/,$str2) ){
    my @f  = split(/\t/,$line);
    my @sf = split(/\|/,$f[1]);

    $data2{$sf[3]} = $line;
}
#print Dumper(\%data2);
foreach my $s1 ( sort { length($b) <=> length($a) } keys %data1){
    foreach my $d2 (@data2){
        my @f  = split(/\t/,$d2);
        my @sf = split(/\|/,$f[1]);
        if ($sf[3] =~ m!^$s1!is){
            #warn "found $s1 in $d2\n";
            print "$d2\t$data1{$s1}\n";
        }
    }
}

output:
HS372_00243     gi|219690483|gb|CP001321.1|     virulent
HS372_00445     gi|529256455|gb|APBT01000061.1| virulent
HS372_00544     gi|529259149|gb|APBV01000035.1| joint; lung; CNS
HS372_00545     gi|529259149|gb|APBV01000035.1| joint; lung; CNS
HS372_00546     gi|529259149|gb|APBV01000035.1| joint; lung; CNS
HS372_00436     gi|529264994|gb|APBX01000055.1| lung

【讨论】：