Unix 通过多列和子字符串查找两个表之间的重叠

我想得到基于三列的两个表之间的重叠

文件1

 Chr        B      C       Start  End   F   G   E    D   
chr1    HAVANA  gene    11869   14409   .   +   .   gene_id "ENSG00000223972.5"; gene_type "transcribed_unprocessed_pseudogene"; gene_status "KNOWN"; gene_name "DDX11L1"; level 2; havana_gene "OTTHUMG00000000961.2";
chr1    HAVANA  gene    100000  112000  .   +   .   gene_id "ENSG00000223972.5"; gene_type "transcribed_unprocessed_pseudogene"; gene_status "KNOWN"; gene_name "DDX11L1"; level 2; havana_gene "OTTHUMG00000000961.2";
chr3    HAVANA  gene    11870   14409   .   +   .   gene_id "ENSG00000223972.5"; gene_type "transcribed_unprocessed_pseudogene"; gene_status "KNOWN"; gene_name "DDX11L1"; level 2; havana_gene "OTTHUMG00000000961.2";
chr3    HAVANA  gene    11839   11869   .   +   .   gene_id "ENSG00000223972.5"; gene_type "transcribed_unprocessed_pseudogene"; gene_status "KNOWN"; gene_name "DDX11L1"; level 2; havana_gene "OTTHUMG00000000961.2";
chr2    HAVANA  gene    11869   14409   .   +   .   gene_id "ENSG00000223972.5"; gene_type "transcribed_unprocessed_pseudogene"; gene_status "KNOWN"; gene_name "DDX11L1"; level 2; havana_gene "OTTHUMG00000000961.2";

文件2

 A                       B           Start  End    Chr          D  
ENSG00000177697     ENST00000525333 832986  833026  11          1
ENSG00000197283     ENST00000876382 100000  112000  1           1
ENSG00000194582     ENST00000184632 11869   14409   2           1
ENSG00000174528     ENST00000241053 154728  184728  12          1
ENSG00000103629     ENST00000816493 832986  917483  13          1 
ENSG00000183628     ENST00000816472 711633  782163  11          1
ENSG00000192748     ENST00000164924 832986  982732  CHK_1231    1
ENSG00000183643     ENST00000917473 183728  194873  3           1
ENSG00000183647     ENST00000184637 800000  819483  2           1
ENSG00000177697     ENST00000184627 100023  120000  11          1

期望输出：

Chr        B      C       Start  End   F   G   E    D   
chr1    HAVANA  gene    100000  112000  .   +   .   gene_id "ENSG00000223972.5"; gene_type "transcribed_unprocessed_pseudogene"; gene_status "KNOWN"; gene_name "DDX11L1"; level 2; havana_gene "OTTHUMG00000000961.2";
chr2    HAVANA  gene    11869   14409   .   +   .   gene_id "ENSG00000223972.5"; gene_type "transcribed_unprocessed_pseudogene"; gene_status "KNOWN"; gene_name "DDX11L1"; level 2; havana_gene "OTTHUMG00000000961.2";

问题是，文件2中第5列的数字是第一个文件第1列的子字符串（因此，不是11，而是chr11）。表2的第4列和第5列应等于文件1中的第4列和第5列（开始和结束）。我希望输出与文件1完全相同，只是元素应该与文件2中的元素相同

我不熟悉awk语法，对我来说这并不直观，但我在浏览之前的文章时发现，这一行，我想可以扩展这个命令：

awk 'FNR==NR{a[$1]=$2 FS $3;next}{ print $0, a[$1]}' file2 file1 > file1_subset2

@艾尔：试试看：

awk 'FNR==NR{sub(/[[:alpha:]]+/,"",$1);A[$1,$4,$5]=$0;next} {sub(/[[:alpha:]]+/,"",$(NF-1));} ((($NF-1),$3,$4) in A){print A[($NF-1),$3,$4]}'   SUBSEP=,   Input_file1  Input_file2

它将打印文件1的值，如果两者都符合您的要求，请尝试，然后让我知道

现在也添加了一个非线性的解决方案

awk 'FNR==NR{
                sub(/[[:alpha:]]+/,"",$1);
                A[$1,$4,$5]=$0;
                next
            }
            {
                sub(/[[:alpha:]]+/,"",$(NF-1));
            }
     ((($NF-1),$3,$4) in A){
                                print A[($NF-1),$3,$4]
                           }
    '  SUBSEP=,    Input_file1  Input_file2

EDIT2:添加了一个函数，在该函数中，我可以删除在不同字段中执行相同操作的sub的两次写入

awk 'function remove_chars(a){sub(/[[:alpha:]]+/,"",$a)} FNR==NR{remove_chars($1);A[$1,$4,$5]=$0;next} {remove_chars($(NF-1));} ((($NF-1),$3,$4) in A){print A[($NF-1),$3,$4]}'  SUBSEP=, Input_file1   Input_file2

溶液的非线性形式也如下

awk 'function remove_chars(a){
                                sub(/[[:alpha:]]+/,"",$a)
                             }
     FNR==NR                 {
                                remove_chars($1);
                                A[$1,$4,$5]=$0;
                                next
                             }
                             {
                                remove_chars($(NF-1));
                             }
     ((($NF-1),$3,$4) in A)  {
                                print A[($NF-1),$3,$4]
                             }
   ' SUBSEP=,   Input_file1   Input_file2

---

您的问题是要包含更多的示例输入（匹配和不匹配的行）以及给定该输入的预期输出。问题是，文件2中第5列的数字是第一个文件第1列的子字符串（因此不是11而是chr11）。这很令人困惑

11

不是

chr1

的子字符串。“它会说”指的是什么？您在问题中是否交替使用表和文件？你说的“应该平等”是什么意思？@MODs：你能告诉我是谁给了我-ve票吗，现在几乎每天都在发生，这让我很沮丧，如果你们能做点什么，我会很感激的，但不要给出适当的理由，接受-ve票真的很沮丧：（请在这里帮助我）。