awk根据两个文件中3个字段的匹配情况更新文件

试图使用

awk

在

file1

数组

x

中存储

$5

的值。然后，该数组

x

用于搜索

file1

的

$4

，以找到匹配项（我使用x[2]跳过file1中的标题）。由于

$4

中可以有多个字符串，这些字符串由

，

（逗号）分隔，因此我将它们拆分，并在每个拆分中迭代寻找匹配项。然后将每个分割存储在数组中，并与

x[2]

进行比较以获得匹配。在下面的示例中，所有

$4

值都是matc，但情况并非总是如此。模式

c.

从每个匹配的

$4

中提取并存储为

VAL

。下面的

awk

有望做到这一点，但我正在努力的是更新

file1

中的

$6

，而

$2

和

$3

以及数组值必须与

file2

中的

$4

和

$5

和

$6

匹配。如果这是真的，那么

file1

中的

$6

将使用

file2

中的

$1

和

$2

的值进行更新。第4行就是一个例子，因为

NM_000138.4

匹配数组

x[2]

，并且

c.

值与

：

（冒号）匹配

文件2中的
$6
。因此，在
file1
中更新
$6
满足所有条件。第2行满足除
c以外的所有要求。
VAL
中的
值与
file2
中的
$6
不匹配，因此
file1
不会更新。我希望这是一个好的开始，我没有把事情搞得太复杂（尽管我可能有，也许还有更好的方法）。我没有测试过
awk
，但将其作为一个陈述点，并对我的想法进行了评论。谢谢：）

文件1
制表符分隔

R_Index Chr Start   AAChange.refGeneWithVer MajorTranscript HGMD C1 C2
1   chr15   48720526    FBN1:NM_000138.4:exon57:c.6997+17C>G:p.?    NM_000138.4 . . .
2   chr15   48741091    FBN1:NM_000138.4:exon46:c.5546-1G>A:p.? NM_000138.4 . . .
3   chr15   48807637    FBN1:NM_000138.4:exon12:c.1415G>A:p.Cys472Tyr   NM_000138.4 . . .
4   chr15   48741091    FBN1:NM_000138.4:exon46:c.5546-1G>A:p.?,FBN1:NM_000138.4:exon46:c.5546-1G>T:p.? NM_000138.4 . . .

HGMD ID Class   Gene Symbol chromosome  start   hgvs
CS057007    DM  FBN1    chr15   48797346    c.1838-2A>G
CS057008    DM  FBN1    chr15   48741091    c.5546-1G>T

R_Index Chr Start   AAChange.refGeneWithVer MajorTranscript HGMD C1 C2
1   chr15   48720526    FBN1:NM_000138.4:exon57:c.6997+17C>G:p.?    NM_000138.4 . . .
2   chr15   48741091    FBN1:NM_000138.4:exon46:c.5546-1G>A:p.? NM_000138.4 . . .
3   chr15   48807637    FBN1:NM_000138.4:exon12:c.1415G>A:p.Cys472Tyr   NM_000138.4 . . .
4   chr15   48741091    FBN1:NM_000138.4:exon46:c.5546-1G>A:p.?,FBN1:NM_000138.4:exon46:c.5546-1G>T:p.? NM_000138.4 CS057008 DM . .

文件2
制表符分隔

R_Index Chr Start   AAChange.refGeneWithVer MajorTranscript HGMD C1 C2
1   chr15   48720526    FBN1:NM_000138.4:exon57:c.6997+17C>G:p.?    NM_000138.4 . . .
2   chr15   48741091    FBN1:NM_000138.4:exon46:c.5546-1G>A:p.? NM_000138.4 . . .
3   chr15   48807637    FBN1:NM_000138.4:exon12:c.1415G>A:p.Cys472Tyr   NM_000138.4 . . .
4   chr15   48741091    FBN1:NM_000138.4:exon46:c.5546-1G>A:p.?,FBN1:NM_000138.4:exon46:c.5546-1G>T:p.? NM_000138.4 . . .

HGMD ID Class   Gene Symbol chromosome  start   hgvs
CS057007    DM  FBN1    chr15   48797346    c.1838-2A>G
CS057008    DM  FBN1    chr15   48741091    c.5546-1G>T

R_Index Chr Start   AAChange.refGeneWithVer MajorTranscript HGMD C1 C2
1   chr15   48720526    FBN1:NM_000138.4:exon57:c.6997+17C>G:p.?    NM_000138.4 . . .
2   chr15   48741091    FBN1:NM_000138.4:exon46:c.5546-1G>A:p.? NM_000138.4 . . .
3   chr15   48807637    FBN1:NM_000138.4:exon12:c.1415G>A:p.Cys472Tyr   NM_000138.4 . . .
4   chr15   48741091    FBN1:NM_000138.4:exon46:c.5546-1G>A:p.?,FBN1:NM_000138.4:exon46:c.5546-1G>T:p.? NM_000138.4 CS057008 DM . .

所需输出
制表符分隔

R_Index Chr Start   AAChange.refGeneWithVer MajorTranscript HGMD C1 C2
1   chr15   48720526    FBN1:NM_000138.4:exon57:c.6997+17C>G:p.?    NM_000138.4 . . .
2   chr15   48741091    FBN1:NM_000138.4:exon46:c.5546-1G>A:p.? NM_000138.4 . . .
3   chr15   48807637    FBN1:NM_000138.4:exon12:c.1415G>A:p.Cys472Tyr   NM_000138.4 . . .
4   chr15   48741091    FBN1:NM_000138.4:exon46:c.5546-1G>A:p.?,FBN1:NM_000138.4:exon46:c.5546-1G>T:p.? NM_000138.4 . . .

HGMD ID Class   Gene Symbol chromosome  start   hgvs
CS057007    DM  FBN1    chr15   48797346    c.1838-2A>G
CS057008    DM  FBN1    chr15   48741091    c.5546-1G>T

R_Index Chr Start   AAChange.refGeneWithVer MajorTranscript HGMD C1 C2
1   chr15   48720526    FBN1:NM_000138.4:exon57:c.6997+17C>G:p.?    NM_000138.4 . . .
2   chr15   48741091    FBN1:NM_000138.4:exon46:c.5546-1G>A:p.? NM_000138.4 . . .
3   chr15   48807637    FBN1:NM_000138.4:exon12:c.1415G>A:p.Cys472Tyr   NM_000138.4 . . .
4   chr15   48741091    FBN1:NM_000138.4:exon46:c.5546-1G>A:p.?,FBN1:NM_000138.4:exon46:c.5546-1G>T:p.? NM_000138.4 CS057008 DM . .

awk

awk '
BEGIN { FS=OFS="\t" }
  FNR==NR {x[NR]=$5}  # store value in $5 in array x 
  $4 ~ x[2] {      # if $4 matches x[2]
  match($4,"NM"].*],);  # regex match from NM to till , in 4rd field
   val=substr($4,RSTART+1,RLENGTH-2); # store substring value that starts from RSTART+1 to RLENGTH-2 using $4 in val
   NM=split($4, array,",");   # Split $4 on "," and storing it's length(array's length) to variable named num. 
      for(i=1;i<=NM;i++){ # Starting a loop which will start from value 1 of variable i to till value of variable num
       if(array[i] ~  x[2]){  # Check condition if any array's value is equal to array x[2] skipping header
       if (match(NM[i],/c[.].:/)) {  # extract pattern c. in each split from c. to :
       VAL=substr(NM[n],RSTART+2) # store each c. from split in VAL
          }
         }
        }
       }
   {a[$4,$5,$6]=$1,$2; next} a[$2,$3]{$6=a[$2,$3]}1' file1 file2  # update $6 in file1 if condition is met

awk'
开始{FS=OFS=“\t”}
FNR==NR{x[NR]=$5}#将值存储在数组x中的$5中
$4~x[2]{#如果$4匹配x[2]
匹配（$4，“NM”].*）；#正则表达式在第4个字段中从NM到till进行匹配
val=substr（$4，RSTART+1，RLENGTH-2）#在val中使用$4存储从RSTART+1到RLENGTH-2的子字符串值
NM=split（$4，数组，“，”）；#在“，”上拆分$4，并将其长度（数组的长度）存储到名为num的变量。
对于（i=1；i您可以尝试以下内容，并让我知道这是否对您有帮助

awk 'FNR==NR{a[$NF]=$1 OFS $2;next} {split($4,array,":");for(i in array){if(array[i] in a){print $0,a[array[i]];next}}} 1' Input_file2 Input_file1

现在也添加了一个非一行格式

awk '
FNR==NR{
  a[$NF]=$1 OFS $2;
  next}
{
  split($4,array,":");
  for(i in array){
    if(array[i] in a){
      print $0,a[array[i]];
      next}}
}
1
'  Input_file2  Input_file1


awk 'FNR==NR{a[$NF]=$1 OFS $2;next} {split($4,array,":");for(i in array){if(array[i] in a){print $0,a[array[i]];next}}} 1'  Input_file2  Input_file1
R_Index Chr Start   AAChange.refGeneWithVer MajorTranscript HGMD C1 C2
1   chr15   48720526    FBN1:NM_000138.4:exon57:c.6997+17C>G:p.?    NM_000138.4 . . .
2   chr15   48741091    FBN1:NM_000138.4:exon46:c.5546-1G>A:p.? NM_000138.4 . . .
3   chr15   48807637    FBN1:NM_000138.4:exon12:c.1415G>A:p.Cys472Tyr   NM_000138.4 . . .
4   chr15   48741091    FBN1:NM_000138.4:exon46:c.5546-1G>A:p.?,FBN1:NM_000138.4:exon46:c.5546-1G>T:p.? NM_000138.4 . . . CS057008 DM

awk
有效，但是如何更新
$6
呢？在我的实际数据中，在
$6
之后有几个字段。谢谢：）@Chris，你能不能在你提到的内容上加上一个例子？对不起，没有得到它。为什么
打印$0，“C1”of“C2”
而不是
打印$0，“C1”，“C2”
？@Chris，你需要输出中的
C1
和
C2
，对吗？如果是的话，我以前的解决方案对你很有用。如果你有任何疑问，请在你的问题中说得更清楚。@Chris，请在你的帖子中更改你的预期输出，然后让我知道。