添加具有来自不同文件的部分匹配模式的列
Add a column with partially matching pattern from a different file
我有两个结构相似的文件（制表符分隔和很多很多行，第 3 列减去第 2 列 = 1）看起来有点像这样：
文件 1：
1 170023 170024 A -
1 170024 170025 T -
1 170026 170027 A -
1 170028 170029 G -
1 170029 170030 C -
1 170031 170032 C -
文件 2：
1 170023 170024 A
1 170024 170025 T
1 170025 170026 G
1 170026 170027 A
1 170027 170028 G
1 170028 170029 T
1 170029 170030 A
1 170030 170031 G
1 170031 170032 C
我想将文件 2 的第 4 列（仅字母列）添加到文件 1。通常，使用 pr 或 paste 会很容易，但问题是两个文件中的第 1-3 列不同。换句话说，文件的行数不同，文件 2 的行数总是比文件 1 多（特别是，文件 1 中第 2 列和第 3 列中的所有数字也出现在文件 2 中，但 vice相反)。我也知道如何在 R 中执行此操作，但文件太大而无法在 R 中轻松处理，我将需要为十几个文件完成任务。所以我想，bash 或任何命令行软件将是解决此问题的最有效方法。
当且仅当文件 2 中的第 1-3 列与文件 1 中的第 1-3 列完全匹配时，我真正想要做的是添加文件 2 中第 4 列的字母。因此，文件 1 的第 4 列和第 5 列中出现什么符号并不重要。根据上面文件 1 和文件 2 的示例，所需的输出将是：
输出：
1 170023 170024 A - A
1 170024 170025 T - T
1 170026 170027 A - A
1 170028 170029 G - T
1 170029 170030 C - A
1 170031 170032 C - C
如果有人能帮助我，我将非常高兴。非常感谢您！
我可以考虑并提供一个使用 join 和 awk 的简单解决方案。用 awk 可能不是解决它的最有效方法（可能会为此遭到专家的抨击 :)），但我能够解决这个问题。
解法-1：-
您需要做的就是首先使用 join 而不指定任何特定的列来加入。它会根据常见的重复列（在本例中为第 1 列）自动连接文件。然后在该输出上，我们可以让 awk 播放以打印符合您需要的那些行并格式化所需的列。
join file1 file2 | awk '{ if ((==) && (==)) printf("%s %s %s %s %s %s\n", , , , , , ) }'
为我生成的输出为
1 170023 170024 A - A
1 170024 170025 T - T
1 170026 170027 A - A
1 170028 170029 G - T
1 170029 170030 C - A
1 170031 170032 C - C
解法-2：-
仅使用普通 join
join -j 2 file1 file2 -o 1.1,1.2,1.3,1.4,1.5,2.4
也会产生与您预期相同的输出。
`join' writes to standard output a line for each pair of input lines that have identical join fields.
我引用 join 的 man 页面内容如下
`-j FIELD'
Equivalent to `-1 FIELD -2 FIELD'.
`-o FIELD-LIST'
Otherwise, construct each output line according to the format in
FIELD-LIST. Each element in FIELD-LIST is either the single
character `0' or has the form M.N where the file number, M, is `1'
or `2' and N is a positive field number.
因此该命令首先通过第 2 列连接 file1 和 file2 并打印所见输出中所需的列，由 (1.1,1.2 表示,1.3,1.4,1.5,2.4) 应读作 file.column。为了更好地理解，我建议先查看不带 -o 选项的输出，以及我如何根据所见构建输出。
解法-3：-
使用plain'ol awk，其实我自己在回答这个问题的时候也学到了一些。
awk 'FNR==NR{a[ FS FS ]=;next} (( FS FS ) in a) {print [=15=], a[ FS FS ]}' file2 file1
解释：-
FNR==NR{a[ FS FS ]=;next} 将处理 file2 存储数组 a 的条目，下标为 column1 space column2 space column3值为 column4.
现在 file1，我们需要通过执行 (( FS FS ) in a) {print [=41=], a[ FS FS ]} 来匹配数组中 file2 的那些行，这将给我所有这些行（我们需要file1 中 column4) 的值，其下标与 file2.
我有两个结构相似的文件（制表符分隔和很多很多行，第 3 列减去第 2 列 = 1）看起来有点像这样：
文件 1：
1 170023 170024 A -
1 170024 170025 T -
1 170026 170027 A -
1 170028 170029 G -
1 170029 170030 C -
1 170031 170032 C -
文件 2：
1 170023 170024 A
1 170024 170025 T
1 170025 170026 G
1 170026 170027 A
1 170027 170028 G
1 170028 170029 T
1 170029 170030 A
1 170030 170031 G
1 170031 170032 C
我想将文件 2 的第 4 列（仅字母列）添加到文件 1。通常，使用 pr 或 paste 会很容易，但问题是两个文件中的第 1-3 列不同。换句话说，文件的行数不同，文件 2 的行数总是比文件 1 多（特别是，文件 1 中第 2 列和第 3 列中的所有数字也出现在文件 2 中，但 vice相反)。我也知道如何在 R 中执行此操作，但文件太大而无法在 R 中轻松处理，我将需要为十几个文件完成任务。所以我想，bash 或任何命令行软件将是解决此问题的最有效方法。
当且仅当文件 2 中的第 1-3 列与文件 1 中的第 1-3 列完全匹配时，我真正想要做的是添加文件 2 中第 4 列的字母。因此，文件 1 的第 4 列和第 5 列中出现什么符号并不重要。根据上面文件 1 和文件 2 的示例，所需的输出将是：
输出：
1 170023 170024 A - A
1 170024 170025 T - T
1 170026 170027 A - A
1 170028 170029 G - T
1 170029 170030 C - A
1 170031 170032 C - C
如果有人能帮助我，我将非常高兴。非常感谢您！
我可以考虑并提供一个使用 join 和 awk 的简单解决方案。用 awk 可能不是解决它的最有效方法（可能会为此遭到专家的抨击 :)），但我能够解决这个问题。
解法-1：-
您需要做的就是首先使用 join 而不指定任何特定的列来加入。它会根据常见的重复列（在本例中为第 1 列）自动连接文件。然后在该输出上，我们可以让 awk 播放以打印符合您需要的那些行并格式化所需的列。
join file1 file2 | awk '{ if ((==) && (==)) printf("%s %s %s %s %s %s\n", , , , , , ) }'
为我生成的输出为
1 170023 170024 A - A
1 170024 170025 T - T
1 170026 170027 A - A
1 170028 170029 G - T
1 170029 170030 C - A
1 170031 170032 C - C
解法-2：-
仅使用普通 join
join -j 2 file1 file2 -o 1.1,1.2,1.3,1.4,1.5,2.4
也会产生与您预期相同的输出。
`join' writes to standard output a line for each pair of input lines that have identical join fields.
我引用 join 的 man 页面内容如下
`-j FIELD'
Equivalent to `-1 FIELD -2 FIELD'.
`-o FIELD-LIST'
Otherwise, construct each output line according to the format in
FIELD-LIST. Each element in FIELD-LIST is either the single
character `0' or has the form M.N where the file number, M, is `1'
or `2' and N is a positive field number.
因此该命令首先通过第 2 列连接 file1 和 file2 并打印所见输出中所需的列，由 (1.1,1.2 表示,1.3,1.4,1.5,2.4) 应读作 file.column。为了更好地理解，我建议先查看不带 -o 选项的输出，以及我如何根据所见构建输出。
解法-3：-
使用plain'ol awk，其实我自己在回答这个问题的时候也学到了一些。
awk 'FNR==NR{a[ FS FS ]=;next} (( FS FS ) in a) {print [=15=], a[ FS FS ]}' file2 file1
解释：-
FNR==NR{a[ FS FS ]=;next}将处理file2存储数组a的条目，下标为 column1 space column2 space column3值为 column4.现在
file1，我们需要通过执行(( FS FS ) in a) {print [=41=], a[ FS FS ]}来匹配数组中file2的那些行，这将给我所有这些行（我们需要file1中 column4) 的值，其下标与file2. 中的下标相同