☰

段階的に

tag-icon • tag-icon text-processing awk
段階的に

2つのファイルがあります。ファイル1の列1はファイル2の列2に置き換える必要があり、ファイル1の列2,3,4-5または5-4（クロスマッチ）は列1,4,5と一致します。 -6またはファイル2の6-5。

ファイル1

SNP     Chr     Pos     EA      NEA     EAF     Beta    SE      Pvalue  Neff
1:79137     1       79137       A       T       0.25    -0.026  0.0073  4.0e-04 231420
1:79033      1       79033        A       G       0.0047  -0.038  0.056   4.9e-01 225429
1:118630     1       118630       C       T       0.99    -0.033  0.055   5.5e-01 226311
1:533179     1       533179       A       G       1       -0.098  0.19    6.1e-01 185906

ファイル2

1       1:79033_A_G     0       79033   A       G
1       1:79137_A_T     0       79137   T       A
1       1:118630_C_T    0       118630  T       C
1       1:533179_A_G    0       533179  G       A

次の出力が必要です。

SNP     Chr     Pos     EA      NEA     EAF     Beta    SE      Pvalue  Neff
    1:79137_A_T     1       79137       A       T       0.25    -0.026  0.0073  4.0e-04 231420
    1:79033_A_G      1       79033        A       G       0.0047  -0.038  0.056   4.9e-01 225429
    1:118630_C_T     1       118630       C       T       0.99    -0.033  0.055   5.5e-01 226311
    1:533179_A_G     1       533179       A       G       1       -0.098  0.19    6.1e-01 185906

ファイルに正確な行がないため、ファイルはタブで区切られません。以下のコードを試しましたが、うまくいきません。コードを修正してもらえますか？

awk 'NR==FNR{chr[$1]=$1;snp[$2]=$2;pos[$4]=$4;a1[$5]=$5;a2[$6]=$6;next} ($1 in chr)&&($4 in pos)&& ((($5 in a1) && ($6 in a2)) || (($6 in a1) && ($5 in a2))) {$2==snp[$2]}' file 2 file1

編集1：

次のPerlコードはいくつかのエラーを引き起こし、約20,000の重複行を生成します。

ファイル1

SNP     Chr     Pos     EA      NEA     EAF     Beta    SE      Pvalue  Neff
7:10100610      7       10100610        A       G       0.0002  0.13    0.58    8.2e-01 120658
7:10100610      7       10100610        C       G       0.0013  0.1     0.13    4.4e-01 139170
10:1006107      10      1006107 C       G       1       -0.11   0.42    7.9e-01 152016

ファイル2

7       7:10100610_G_A  0       10100610        A       G
7       7:10100610_G_C  0       10100610        C       G
10      10:1006107_C_G  0       1006107 G       C

次の行の推定出力は次のとおりです。

7:10100610_G_A      7       10100610        A       G       0.0002  0.13    0.58    8.2e-01 120658
7:10100610_G_C      7       10100610        C       G       0.0013  0.1     0.13    4.4e-01 139170
10:1006107_C_G      10      1006107 C       G       1       -0.11   0.42    7.9e-01 152016

しかし、Perlコードは出力を提供します。

7:10100610_G_A  7       10100610        A       G       0.0002  0.13    0.58    8.2e-01 120658
10:1006107_C_G  7       10100610        C       G       0.0013  0.1     0.13    4.4e-01 139170
10:1006107_C_G  10      1006107 C       G       1       -0.11   0.42    7.9e-01 152016

ベストアンサー1

このjoinコマンドは、複数のファイルで一致する行をリンクする操作を実行します。ただし、入力ファイルにはいくつかの要件があるため、プロセス中にいくつかの一時ファイルといくつかの追加フィールドを作成する必要があります。

awk '{printf $2" "$3" "$4" "$5"%"$1"%"; $1="";print $0 "%" NR }' < file1 | sort > 1.tmp
awk '{print $1" "$4" "$5" "$6"%"$2} $5 != $6 {print $1" "$4" "$6" "$5"%"$2}' < file2 | sort > 2.tmp

join -a 1 -t % -o 1.4 2.2 1.2 1.3  1.tmp 2.tmp | sort -t % -n | awk -F %  '!$2{$2=$3}{print $2" "$4}'

段階的に

最初のファイルを前処理します。

awk '{printf $2" "$3" "$4" "$5"%"$1"%"; $1="";print $0 "%" NR }''

出力例：

1 118630 C T%1:118630% 1 118630 C T 0.99 -0.033 0.055 5.5e-01 226311%4

この 4 つのフィールドは%次のように区別されます。

  • 一致する必要がある「キー」（入力フィールド2-5）
  • 元の最初の列（一致する項目がない場合は必須）
  • 元の行の残りの部分
  • 元の行番号（後でファイルの順序を復元できるようにsort）

この出力は入力をソートする必要があるため、一時ファイルsortにパイプされます。join

2番目のファイルの場合：

awk '{print $1" "$4" "$5" "$6"%"$2} $5 != $6 {print $1" "$4" "$6" "$5"%"$2}'

出力例：

1 118630 C T%1:118630_C_T
1 118630 T C%1:118630_C_T

フィールド5と6が一致するように指定すると、2行目が印刷され、互いに置き換えられます（同じでない場合）。ここで - で区切られたフィールド%は次のとおりです。

  • 「キー」と一致する必要があります
  • 2列

今回も出力はsort別の一時ファイルにパイプされます。

その後、主な「参加」ステップが続きます。

join -a 1 -t % -o 1.4 2.2 1.2 1.3  1.tmp 2.tmp

2番目のグループに一致するものがない場合は、 -a 1最初のグループの行を保持するように指示します。区切り文字を（スペースの代わりに）に設定します。このパラメーターは、次の4つの出力フィールドを生成します。join-t %%-o

  • ファイル1、列4：行番号
  • ファイル2、列2：代替場所file2（一致するものがない場合は空）
  • ファイル1、列2：元の列1file1
  • ファイル1、列3：行の残りの部分はfile1

サンプル出力ライン：

4%1:118630_C_T%1:118630% 1 118630 C T 0.99 -0.033 0.055 5.5e-01 226311

その後、sort元のファイルの順序を復元できます（数値ソート、フィールド区切り文字%）。

sort -t % -n

最後に、awk「交換」フィールドが空であることを確認し（一致する項目がないため）、空の場合は元の列1を使用します。また、行番号とすべてを捨てます%。

awk -F % '!$2{$2=$3}{print $2" "$4}'

最終出力ライン：

1:118630_C_T  1 118630 C T 0.99 -0.033 0.055 5.5e-01 226311

おすすめ記事