加入 Linux 中的多个文件

Question

我有以下文件（下划线代表制表符，文件名不包含在文件内容中）：

(sample001.file)

Name_____scores_____gender   
Joey_____54_____Boy  
Kyle_____87_____Girl  
Sia______43_____Girl  
Marge____87_____Girl

(sample002.file)

Name_____scores_____gender   
Joey_____23_____Boy  
Pedro____76_____Boy  
Kyle_____76_____Girl

(sample003.file)

Name_____scores_____gender   
Kyle_____34_____Girl  
James____65_____Boy  
Pedro____76_____Boy  
Sia______65_____Girl  
Marge____23_____Girl

我希望将所有这些文件集成到一个文件中，只包含第一个和 second-column 数据。它看起来像这样：

(integrate.file)

Name_____sample001____sample002_____sample003  
Joey_____54_____23____0  
Kyle_____87_____76____34  
Sia______43_____0_____65  
Marge____87_____0_____23  
Pedro____0______76____76  
James____0______0_____65

基本上，名称在第一列中应该只有一个条目，如果没有任何样本的数据，它应该为零。 Headers 不是必需的，但可以存在。

谁能帮我解决这个问题？

Answer 1

使用 Bash 和 process substitution，您可以在一个（相当长的）命令管道中对三个文件执行此操作：

join -e 0 -a 1 -a 2 -t $'\t' -o 0,1.2,2.2 \
     <(sed 1d sample001.file | sort) \
     <(sed 1d sample002.file | sort) |
join -e 0 -a 1 -a 2 -t $'\t' -o 0,1.2,1.3,2.2 \
   - <(sed 1d sample003.file | sort)

请注意，join 要求其输入在连接列上排序，在本例中为第 1 列。 sed 1d 命令在排序数据之前删除标题行。

-e0 说'当缺少值时输入 0。 -a1 和 -a2 选项表示 'preserve all the rows from file 1 and file 2'。 -t $'\t' 选项使用 Bash 的 ANSI C Quoting 为分隔符生成制表符。如果省略 -t 选项，它会 'works' 但输出列由空格分隔，而不是制表符。 -o 选项指定要打印的列：0 是连接列（每个文件中的第 1 列）； 1.2 是文件 1 的第 2 列，依此类推。第二个 join 中的文件名 - 表示 'read standard input'.

样本数据的输出是：

James   0       0       65
Joey    54      23      0
Kyle    87      76      34
Marge   87      0       23
Pedro   0       76      76
Sia     43      0       65

下面是一些处理 10 个示例文件的代码。我也需要生成数据，所以我使用了我的工具包中的一些工具来做到这一点——random、perturb、range（与标准 seq 非常相似）和 shuffle:

for sample in $(range -f '%03d' 1 10)
do
    random -n 9 -T '%{ABCDEFJKMPS}s %[11:90]d   %{BG}s' |
    sort -u -k1,1 |
    join -o 1.2,2.2,2.3 names - |
    shuffle |
    sed 's/ /   /g' |
    perturb -f '%2.0f' -p 10 -c 2 > "sample$sample.file"
done

随机数据生成器的一个小问题是它还不允许您从 (multi-character) 名称列表中选择一个随机条目，所以我使用了一个首字母列表并将它们映射到names 文件中的名称。这有点奇怪，但您应该已经有了数据并且不需要生成随机数据。文件 names 包含：

A Alex
B Belle
C Cynthia
D Doreen
E Elizabeth
F Ferdinand
J James
J Joey
K Kyle
M Marge
P Pedro
S Sia

例如，sample001.file 最终包含：

Belle   81      B
Marge   62      B
Ferdinand       37      B
Sia     44      B
Doreen  45      G
Elizabeth       18      G
Joey    16      B
James   19      B

然后加入代码需要在进行任何加入之前生成所有名称的列表，否则您将看不到未出现在第一个示例文件中的名称的正确分数。这不使用任何 non-standard 工具。

tmp=$(mktemp ./tmp.XXXXXX)
trap 'rm -f "$tmp" "$tmp".?; exit 1' 0 1 2 3 13 15

sed 's/[[:space:]].*//' "$@" | sort -u > $tmp.0

join_cmd()
{
    join -e 0 -a 1 -a 2 -o "$outcols" "$@" > "$tmp.2"
}

outcols="0,2.2"
# Generate list of all names
join_cmd "$tmp.0" <(sort "")
mv "$tmp.2" "$tmp.1"
shift
outcols="0,1.2,2.2"  

for sample in "$@"
do
    join_cmd "$tmp.1" <(sort "$sample")
    sed 's/[[:space:]]\([0-9][0-9]*\)$/,/' "$tmp.2" > "$tmp.1"
done

# Don't hard code the output file name — do that on the command line that
# invokes this script (same as you specify the input file names on the command line).
sed 's/,/    /g' "$tmp.1" # > integrate.file

rm -f "$tmp" "$tmp".?
trap 0 1 2 3 13 15

这无需通过将数字映射到 comma-separated 列表来不断扩展连接列的列表。

$ column -t integrate.file
Alex       0   0   78  0   65  21  0   38  64  0
Belle      81  12  15  58  0   27  0   13  0   52
Cynthia    0   58  0   52  12  0   0   77  0   94
Doreen     45  49  0   85  0   0   57  32  81  63
Elizabeth  18  64  19  39  18  94  52  0   0   25
Ferdinand  37  0   0   0   0   64  72  21  0   28
James      19  0   0   77  0   48  78  59  39  23
Joey       16  0   0   79  0   48  78  70  39  19
Kyle       0   80  0   65  54  26  0   88  0   0
Marge      62  37  13  0   0   81  0   0   24  69
Pedro      0   0   40  0   47  74  79  0   0   0
Sia        44  0   27  0   55  0   43  0   32  0
$

您可以在输出的第 2 列中看到 sample000.file 的内容。你可以看到 names 中的所有名称都出现在输出中，并且每个示例文件都有一个编号。

加入 Linux 中的多个文件

Joining multiple files in Linux

linux

awk

join

cat

multiple-columns