根据列中的公共字符串合并两个文件，并填写不匹配的缺失值答案

【问题标题】：Merge two files based on common string in column, and fill in missing values for mismatches根据列中的公共字符串合并两个文件，并填写不匹配的缺失值
【发布时间】：2021-02-19 13:40:18
【问题描述】：

文件 1：

rs30051 102098 0|0 0|1 0|0 0|0 0|0 0|0
rs44619 103300 0|0 0|0 1|0 0|0 0|0 0|0
rs62418 103585 1|0 0|0 1|0 0|0 0|0 0|0
rs33155 105222 0|1 1|0 0|0 0|0 1|0 0|1

文件 2：

rs86792 101580 0|0 0|0 0|0 1|0
rs30051 102098 0|1 0|0 0|0 1|0
rs44619 103300 0|1 0|0 0|0 0|0
rs33155 105222 0|0 0|0 1|0 0|0 
rs27799 105943 0|1 1|1 0|0 0|0

合并后的文件需要在第 2 列进行排序。文件 1 和文件 2 中的所有数据必须保留在输出文件中。如果（例如）在文件 2 中找到某个列 1 标识符，但在文件 1 中找不到，则将文件 2 的第 1 列和第 2 列打印到输出文件，然后是文件 1 中缺失值的 6 x 0|0，后跟来自文件 2 的 4 x 值（用于在文件 1 中找不到的标识符）。所需的输出文件：

rs86792 101580 0|0 0|0 0|0 0|0 0|0 0|0 0|0 0|0 0|0 1|0
rs30051 102098 0|0 0|1 0|0 0|0 0|0 0|0 0|1 0|0 0|0 1|0
rs44619 103300 0|0 0|0 1|0 0|0 0|0 0|0 0|1 0|0 0|0 0|0
rs62418 103585 1|0 0|0 1|0 0|0 0|0 0|0 0|0 0|0 0|0 0|0
rs33155 105222 0|1 1|0 0|0 0|0 1|0 0|1 0|0 0|0 1|0 0|0
rs27799 105943 0|0 0|0 0|0 0|0 0|0 0|0 0|1 1|1 0|0 0|0

最好使用 awk 命令，并且非常感谢您的解释。填写缺失值使这个问题与我在本网站上找到的任何问题都不同。到目前为止我的代码（不起作用）：

awk 'FNR==NR{a[$1]=$2; next}{ print $0, a[$1]}' file1 file2 | sort -k 2 > output.file

【问题讨论】：

标签： arrays awk merge

【解决方案1】：

如果前两列的宽度固定，类似于输入中显示的示例，这里是awk+sort 解决方案。我用这些工具的GNU 版本对其进行了测试，但我觉得它也应该适用于其他实现。

$ cat script.awk
{
    s1 = substr($0, 1, 14)
    s2 = substr($0, 15)
}

NR == FNR {
    a[s1] = s2
    next
}

{
    a[s1] = (s1 in a) ? a[s1] s2 : " 0|0 0|0 0|0 0|0 0|0 0|0" s2
}

END {
    for (k in a) {
        s3 = (gsub(/\|/, "|", a[k])) == 6 ? " 0|0 0|0 0|0 0|0" : ""
        print k a[k] s3
    }
}

调用脚本：

$ awk -f script.awk file1 file2 | sort -k2,2n
rs86792 101580 0|0 0|0 0|0 0|0 0|0 0|0 0|0 0|0 0|0 1|0
rs30051 102098 0|0 0|1 0|0 0|0 0|0 0|0 0|1 0|0 0|0 1|0
rs44619 103300 0|0 0|0 1|0 0|0 0|0 0|0 0|1 0|0 0|0 0|0
rs62418 103585 1|0 0|0 1|0 0|0 0|0 0|0 0|0 0|0 0|0 0|0
rs33155 105222 0|1 1|0 0|0 0|0 1|0 0|1 0|0 0|0 1|0 0|0
rs27799 105943 0|0 0|0 0|0 0|0 0|0 0|0 0|1 1|1 0|0 0|0

如果前两列的宽度可以不同，请使用 s1 和 s2 代替：

    s1 = $1 FS $2
    s2 = $0
    sub(/^[^ ]+ [^ ]+/, "", s2)

【讨论】：