使用符号正确匹配 awk 中的列？

Question

我有两个单独的文件，Input_File1 和 Input_File2，每个文件都包含不同数量的列，我根据多列中的数据合并 (with some help)。

至此，Input_File1 中添加了一列，根据 Input_File1 的第 1、2、3 列和 Input_File2 的第 1、2、3 列的数据匹配创建新文件（file3）。总的来说，这很好用。但是，在少数情况下，Input_File1 和 Input_File2 中的第 1、2、3 列中的数据相同，但在 file3 中的输出应该不同。这是基于 Input_File1 和 Input_File2 中的另一个特征，即“-”或“+”的存在。

Input_File1

VMNF01000007.1  6294425 6294650 .   .   +   Focub_B2_mimp_2
VMNF01000008.1  1441418 1441616 .   .   -   Focub_II5_mimp_3
VMNF01000008.1  1441418 1441616 .   .   -   Focub_B2_mimp_1
VMNF01000008.1  1441418 1441616 .   .   +   Focub_B2_mimp_2

Input_File2

VMNF01000007.1  6294425-6294650(+)  tacagtggggggcaataagtatgaataccctttggtgtactgacacacacctctt
VMNF01000008.1  1441418-1441616(-)  gggagtgtattgttttttctgccgctagcccattttaacatttagagtgtgcata
VMNF01000008.1  1441418-1441616(-)  gggagtgtattgttttttctgccgctagcccattttaacatttagagtgtgcata
VMNF01000008.1  1441418-1441616(+)  tacagtggggggcaataagtatgaataccctttgatgtactgacacacacctctt

可以看到，Input_File2的最后两行数据除了(-)和(+)是一样的，所以后面的顺序是不同的。

产生 file3 时，第 8 列中的序列与 Input_File2 中的序列没有区别。这是因为匹配列时只考虑数据VMNF01000008.1 1441418 1441616。

当前文件3（注意序列和+或-最后两行）：

VMNF01000007.1  6294425 6294650 .   .   -   Focub_B2_mimp_1 tacagtggggggcaataagtatgaataccctttggtgtactgacacacacctctt
VMNF01000008.1  1441418 1441616 .   .   -   Focub_II5_mimp_3 tacagtggggggcaataagtatgaataccctttgatgtactgacacacacctctt
VMNF01000008.1  1441418 1441616 .   .   -   Focub_B2_mimp_1 tacagtggggggcaataagtatgaataccctttgatgtactgacacacacctctt
VMNF01000008.1  1441418 1441616 .   .   +   Focub_B2_mimp_2 tacagtggggggcaataagtatgaataccctttgatgtactgacacacacctctt

file3 实际上应该看起来像（注意序列和 + 或 - 最后两行）：

VMNF01000007.1  6294425 6294650 .   .   -   Focub_B2_mimp_1 tacagtggggggcaataagtatgaataccctttggtgtactgacacacacctctt
VMNF01000008.1  1441418 1441616 .   .   -   Focub_II5_mimp_3 gggagtgtattgttttttctgccgctagcccattttaacatttagagtgtgcata
VMNF01000008.1  1441418 1441616 .   .   -   Focub_B2_mimp_1 gggagtgtattgttttttctgccgctagcccattttaacatttagagtgtgcata
VMNF01000008.1  1441418 1441616 .   .   +   Focub_B2_mimp_2 tacagtggggggcaataagtatgaataccctttgatgtactgacacacacctctt

与 Input_File2 一样，当有“-”或“+”时，序列会有所不同。

所以它的操作方式与前面的代码大致相同，只是在 Input_File1 和 Input_File2 中添加了匹配“-”或“+”以确保后面的序列是正确的。如何使用“-”或“+”来确定应在第 8 列中添加到先前代码的序列？

这是我正在使用的代码 (from here)：

awk '
FNR==NR{
  split($2,array,"[-(]")
  key=$1 OFS array[1] OFS array[2]
  mainarray[key]=$NF
  next
}
{ key = $1 OFS $2 OFS $3 }
(key in mainarray){
  print $0,mainarray[key]
}
'  Input_file2  Input_file1

有什么建议吗？谢谢

Answer 1

请您尝试关注一下。

awk '
FNR==NR{
  split($2,array,"[-(]")
  key=$1 OFS array[1] OFS array[2]
  ++count1[key]
  mainarray[key OFS count1[key]]=$NF
  next
}
{
  key=$1 OFS $2 OFS $3
  ++count2[key]
}
((key OFS count2[key]) in mainarray){
  print $0,mainarray[key OFS count2[key]]
}
'  Input_file2  Input_file1

输出如下。

VMNF01000007.1  6294425 6294650 .   .   +   Focub_B2_mimp_2 tacagtggggggcaataagtatgaataccctttggtgtactgacacacacctctt
VMNF01000008.1  1441418 1441616 .   .   -   Focub_II5_mimp_3 gggagtgtattgttttttctgccgctagcccattttaacatttagagtgtgcata
VMNF01000008.1  1441418 1441616 .   .   -   Focub_B2_mimp_1 gggagtgtattgttttttctgccgctagcccattttaacatttagagtgtgcata
VMNF01000008.1  1441418 1441616 .   .   +   Focub_B2_mimp_2 tacagtggggggcaataagtatgaataccctttgatgtactgacacacacctctt

说明：为上面添加详细说明。

awk '                                          ##Starting awk program from here.
FNR==NR{                                       ##Checking condition FNR==NR which will be TRUE when file2 is being read.
  split($2,array,"[-(]")                       ##Splitting 2nd field into array named array with separator -( in it.
  key=$1 OFS array[1] OFS array[2]             ##Creating variable key whose value is $1 array 1st element and array 2nd element.
  ++count1[key]                                ##Creating array count1 with index key and keep increasing its value with 1 here.
  mainarray[key OFS count1[key]]=$NF           ##Creating array mainarray with index key OFS count1[key] value and its value is last column value.
  next                                         ##next will skip all further statements from here.
}
{
  key=$1 OFS $2 OFS $3                         ##Creating variable key with value of first, second and third field values.
  ++count2[key]                                ##Creating array count2 with index key and keepincreasing value with 1 here.
}
((key OFS count2[key]) in mainarray){          ##Checking condition if key OFS count2[key] is present in mainarray
  print $0,mainarray[key OFS count2[key]]      ##Printing current line and value of mainarray whose index is key OFS and value of count2  whose index is key.
}
'  Input_file2  Input_file1                    ##Mentioning Input_file names here.