Substituindo entradas correspondentes em uma coluna de um arquivo por outra coluna de um arquivo diferente

8

Eu tenho dois arquivos separados por tabulação, com a seguinte aparência:

file1:

NC_008146.1     WP_011558474.1  1155234 1156286 44173
NC_008146.1     WP_011558475.1  1156298 1156807 12
NC_008146.1     WP_011558476.1  1156804 1157820 -3
NC_008705.1     WP_011558474.1  1159543 1160595 42748
NC_008705.1     WP_011558475.1  1160607 1161116 12
NC_008705.1     WP_011558476.1  1161113 1162129 -3
NC_009077.1     WP_011559727.1  2481079 2481633 8
NC_009077.1     WP_011854835.1  1163068 1164120 42559
NC_009077.1     WP_011854836.1  1164127 1164636 7

arquivo2:

NC_008146.1     GCF_000014165.1_ASM1416v1_protein.faa
NC_008705.1     GCF_000015405.1_ASM1540v1_protein.faa
NC_009077.1     GCF_000016005.1_ASM1600v1_protein.faa

Quero corresponder a coluna 1 do arquivo1 ao arquivo2 e substituir-se pela respectiva entrada da coluna 2 do arquivo 2. A saída ficaria assim:

GCF_000014165.1_ASM1416v1_protein.faa     WP_011558474.1  1155234 1156286 44173
GCF_000014165.1_ASM1416v1_protein.faa     WP_011558475.1  1156298 1156807 12
GCF_000014165.1_ASM1416v1_protein.faa     WP_011558476.1  1156804 1157820 -3
GCF_000015405.1_ASM1540v1_protein.faa     WP_011558474.1  1159543 1160595 42748
GCF_000015405.1_ASM1540v1_protein.faa     WP_011558475.1  1160607 1161116 12
GCF_000015405.1_ASM1540v1_protein.faa     WP_011558476.1  1161113 1162129 -3
GCF_000016005.1_ASM1600v1_protein.faa     WP_011559727.1  2481079 2481633 8
GCF_000016005.1_ASM1600v1_protein.faa     WP_011854835.1  1163068 1164120 42559
GCF_000016005.1_ASM1600v1_protein.faa     WP_011854836.1  1164127 1164636 7
awk BhushanDhamale
fonte
Parece que você também pode estar interessado em nosso site irmão: Bioinformática .
terdon
Obrigado pelo link @terdon!
precisa saber é o seguinte

Respostas:

14

Você pode fazer isso muito facilmente com awk:

$ awk 'NR==FNR{a[$1]=$2; next}{$1=a[$1]; print}' file2 file1
GCF_000014165.1_ASM1416v1_protein.faa WP_011558474.1 1155234 1156286 44173
GCF_000014165.1_ASM1416v1_protein.faa WP_011558475.1 1156298 1156807 12
GCF_000014165.1_ASM1416v1_protein.faa WP_011558476.1 1156804 1157820 -3
GCF_000015405.1_ASM1540v1_protein.faa WP_011558474.1 1159543 1160595 42748
GCF_000015405.1_ASM1540v1_protein.faa WP_011558475.1 1160607 1161116 12
GCF_000015405.1_ASM1540v1_protein.faa WP_011558476.1 1161113 1162129 -3
GCF_000016005.1_ASM1600v1_protein.faa WP_011559727.1 2481079 2481633 8
GCF_000016005.1_ASM1600v1_protein.faa WP_011854835.1 1163068 1164120 42559
GCF_000016005.1_ASM1600v1_protein.faa WP_011854836.1 1164127 1164636 7

Ou, já que isso se parece com um arquivo separado por tabulação:

$ awk -vOFS="\t" 'NR==FNR{a[$1]=$2; next}{$1=a[$1]; print}' file2 file1
GCF_000014165.1_ASM1416v1_protein.faa   WP_011558474.1  1155234 1156286 44173
GCF_000014165.1_ASM1416v1_protein.faa   WP_011558475.1  1156298 1156807 12
GCF_000014165.1_ASM1416v1_protein.faa   WP_011558476.1  1156804 1157820 -3
GCF_000015405.1_ASM1540v1_protein.faa   WP_011558474.1  1159543 1160595 42748
GCF_000015405.1_ASM1540v1_protein.faa   WP_011558475.1  1160607 1161116 12
GCF_000015405.1_ASM1540v1_protein.faa   WP_011558476.1  1161113 1162129 -3
GCF_000016005.1_ASM1600v1_protein.faa   WP_011559727.1  2481079 2481633 8
GCF_000016005.1_ASM1600v1_protein.faa   WP_011854835.1  1163068 1164120 42559
GCF_000016005.1_ASM1600v1_protein.faa   WP_011854836.1  1164127 1164636 7

Isto assume que cada RefSeq ( NC_*) id no file1tem uma entrada correspondente na file2.

Explicação

  • NR==FNR: NR é o número da linha atual, FNR é o número da linha do arquivo atual. Os dois serão idênticos apenas enquanto o 1º arquivo (aqui file2) estiver sendo lido.
  • a[$1]=$2; next: se este for o primeiro arquivo (veja acima), salve o segundo campo em uma matriz cuja chave é o primeiro campo. Em seguida, vá para a nextlinha. Isso garante que o próximo bloco não seja executado para o 1º arquivo.
  • {$1=a[$1]; print}: agora, no segundo arquivo, defina o 1º campo como qualquer valor que foi salvo na matriz apara o 1º campo (portanto, o valor associado de file2) e imprima a linha resultante.
terdon
fonte
11
NR == FNRnão funciona corretamente quando o primeiro arquivo está vazio. Veja este e a resposta associada para uma solução alternativa
Iruvar
3
@iruvar nada funcionará bem se o primeiro arquivo estiver vazio, então eu realmente não vejo por que isso é relevante. O objetivo aqui é combinar os dados dos dois arquivos. Se um dos arquivos estiver vazio, todo o exercício será inútil.
terdon
desculpe, eu deveria ter dito neste caso em particular file2e não file1está vazio. O comportamento saudável quando file2está vazio é informar o conteúdo de file1. O problema com NR == FNRé que o código associado com ele executa no conteúdo de file1quando file2está vazia
Iruvar
3
@iruvar, não há comportamento sadio aqui se um dos arquivos estiver vazio. É isso que estou dizendo :) Portanto, tentar fazer um acordo com esse caso normalmente é inútil. E, em qualquer caso, quando um dos arquivos estiver vazio aqui, nada será impresso. Que, na verdade, parece a abordagem mais correta, prefiro não obter dados do que dados errados.
terdon
17

Não há necessidade de awk, supondo que os arquivos sejam classificados, você pode usar a junção de coreutils:

join -o '2.2 1.2 1.3 1.4 1.5' file1 file2

Resultado:

GCF_000014165.1_ASM1416v1_protein.faa     WP_011558474.1  1155234 1156286 44173
GCF_000014165.1_ASM1416v1_protein.faa     WP_011558475.1  1156298 1156807 12
GCF_000014165.1_ASM1416v1_protein.faa     WP_011558476.1  1156804 1157820 -3
GCF_000015405.1_ASM1540v1_protein.faa     WP_011558474.1  1159543 1160595 42748
GCF_000015405.1_ASM1540v1_protein.faa     WP_011558475.1  1160607 1161116 12
GCF_000015405.1_ASM1540v1_protein.faa     WP_011558476.1  1161113 1162129 -3
GCF_000016005.1_ASM1600v1_protein.faa     WP_011559727.1  2481079 2481633 8
GCF_000016005.1_ASM1600v1_protein.faa     WP_011854835.1  1163068 1164120 42559
GCF_000016005.1_ASM1600v1_protein.faa     WP_011854836.1  1164127 1164636 7

Se seus arquivos não estiverem classificados, você poderá classificá-los primeiro ( sort file1 > file1.sorted; sort file2 > file2.sorted) e, em seguida, usar o comando acima, ou, se seu shell suportar a <()construção (o bash suporta), você poderá:

join -o '2.2 1.2 1.3 1.4 1.5' <(sort file1) <(sort file2)
Thor
fonte
0

Testado com o comando abaixo e funcionou bem

for i in `awk '{print $1}' f2`; do k=`awk -v i="$i" '$1==i {print $2}' f2`;sed  "/$i/s/$i/$k/g" f1 >f3;done

resultado

for i in `awk '{print $1}' f2`; do k=`awk -v i="$i" '$1==i {print $2}' f2`;sed  "/$i/s/$i/$k/g" f1 >f3;done


GCF_000014165.1_ASM1416v1_protein.faa     WP_011558474.1  1155234 1156286 44173
GCF_000014165.1_ASM1416v1_protein.faa     WP_011558475.1  1156298 1156807 12
GCF_000014165.1_ASM1416v1_protein.faa     WP_011558476.1  1156804 1157820 -3
GCF_000015405.1_ASM1540v1_protein.faa     WP_011558474.1  1159543 1160595 42748
GCF_000015405.1_ASM1540v1_protein.faa     WP_011558475.1  1160607 1161116 12
GCF_000015405.1_ASM1540v1_protein.faa     WP_011558476.1  1161113 1162129 -3
GCF_000016005.1_ASM1600v1_protein.faa     WP_011559727.1  2481079 2481633 8
GCF_000016005.1_ASM1600v1_protein.faa     WP_011854835.1  1163068 1164120 42559
GCF_000016005.1_ASM1600v1_protein.faa     WP_011854836.1  1164127 1164636 7
Praveen Kumar BS
fonte