Início / unix / Perguntas / 441847
Accepted
Anna1364
Asked: 2018-05-05 10:07:22 +0800 CST

extrair linhas de um arquivo que correspondem ao segundo arquivo e mesclá-las como um único arquivo

  • 772

Eu tenho um arquivo que contém algumas posições,

head positions
142541687
142541814
142541910
142542976
142544533
142546366
142548674
142560386

Eu tenho outra pasta contendo 1800 arquivos, cada arquivo pertence a um indivíduo (1800 indivíduos no total). A coluna 2 é a posição e a coluna 4 é o ID individual:

 head NA20507.mapped.ILLUMINA.bwa.TSI.low_coverage.20130415.bam_dp
1   142541687   78 NA20507
1   142535975   79 NA20507
1   142535976   79 NA20507
1   142535977   77 NA20507
1   142535978   78 NA20507
1   142535979   77 NA20507

ou exemplo de outro indivíduo,

head NA20901.mapped.ILLUMINA.bwa.GIH.low_coverage.20120522.bam_dp
1   142541687   135 NA20901
1   142535975   135 NA20901
1   142535976   137 NA20901
1   142535977   138 NA20901
1   142535978   138 NA20901
1   142535979   136 NA20901
1   142535980   135 NA20901

Para cada arquivo individual, quero manter apenas as linhas que contêm as posições do arquivo de posição (a segunda coluna do arquivo individual corresponde ao arquivo de posição), mas quero armazená-la para cada posição separadamente!

   cat NA20507.mapped.ILLUMINA.bwa.TSI.low_coverage.20130415.bam_dp_match142541687
        1   142541687   78 NA20507

No final, quero combinar esses arquivos para todos os indivíduos: Isso é, por exemplo, para a posição 142541687

head desired_pos142541687
1   142541687   78  NA20507
1   142541687   135 NA20901

ou para a posição 142542976;

desired_pos142542976

    1   142535976   79 NA20507
    1   142535976   137 NA20901
awk text-processing

1 respostas

  1. Best Answer

    Este é mais ou menos o mesmo tipo de resposta que você já teve para perguntas semelhantes: leia um arquivo primeiro (as posições), depois analise os outros arquivos e extraia os dados.

    awk 'NR == FNR { pos[$1]=1; next } $2 in pos { f="desired_pos" $2; print >>f; close(f) }' positions NA*.bam_dp

    Se forem fornecidos os dois arquivos individuais na pergunta e se for positionsincluído 142535975, isso criará desired_pos142535975o seguinte conteúdo:

    1   142535975   79 NA20507
1   142535975   135 NA20901

    Isso funcionaria supondo que todas as posições se referissem ao cromossomo 1 (ou pelo menos ao mesmo cromossomo nos arquivos individuais), uma vez que não há informações sobre o nome do cromossomo além da localização no positionsarquivo.

    • 1

relate perguntas