¿Cómo fusionar dos archivos en función de la coincidencia de dos columnas?

Tengo file1 me gusta:

0   AFFX-SNP-000541  NA
0   AFFX-SNP-002255  NA
1   rs12103          0.6401
1   rs12103_1247494  0.696
1   rs12142199       0.7672

Y un archivo2:

0   AFFX-SNP-000541   1
0   AFFX-SNP-002255   1
1   rs12103           0.5596
1   rs12103_1247494   0.5581
1   rs12142199        0.4931

Y quisiera un archivo3 tal que:

0   AFFX-SNP-000541     NA       1
0   AFFX-SNP-002255     NA       1
1   rs12103             0.6401   0.5596
1   rs12103_1247494     0.696    0.5581
1   rs12142199          0.7672   0.4931

Lo que significa poner la cuarta columna del archivo2 en el archivo1 por el nombre de la segunda columna.

Esto debería hacerlo:

join -j 2 -o 1.1,1.2,1.3,2.3 file1 file2

Importante : esto supone que sus archivos están ordenados (como en su ejemplo) de acuerdo con el nombre de SNP. Si no lo están, ordénelos primero:

join -j 2 -o 1.1,1.2,1.3,2.3 <(sort -k2 file1) <(sort -k2 file2)

Salida:

0 AFFX-SNP-000541 NA 1
0 AFFX-SNP-002255 NA 1
1 rs12103 0.6401 0.5596
1 rs12103_1247494 0.696 0.5581
1 rs12142199 0.7672 0.4931

Explicación (de info join):

'join' escribe en la salida estándar una línea para cada par de líneas de entrada que tienen campos de unión idénticos.

`-1 FIELD'
     Join on field FIELD (a positive integer) of file 1.

`-2 FIELD'
     Join on field FIELD (a positive integer) of file 2.

`-j FIELD'
     Equivalent to `-1 FIELD -2 FIELD'.

`-o FIELD-LIST'

 Otherwise, construct each output line according to the format in
 FIELD-LIST.  Each element in FIELD-LIST is either the single
 character `0' or has the form M.N where the file number, M, is `1'
 or `2' and N is a positive field number.

Entonces, el comando anterior une los archivos en el segundo campo e imprime el primer, segundo y tercer campo del archivo uno, seguido del tercer campo del archivo2.

Podrías usar awk:

$ awk 'NR==FNR {h[$2] = $3; next} {print $1,$2,$3,h[$2]}' file2 file1 > file3

salida:

$ cat file3
0 AFFX-SNP-000541 NA 1
0 AFFX-SNP-002255 NA 1
1 rs12103 0.6401 0.5596
1 rs12103_1247494 0.696 0.5581
1 rs12142199 0.7672 0.4931

Explicación:

Recorrer file2( NR==FNRsolo es cierto para el primer argumento de archivo). Guardar en la columna 3 de hash-array usando la columna 2 como la clave: h[$2] = $3. Luego recorra file1y genere las tres columnas $1,$2,$3, agregando la columna guardada correspondiente de la matriz hash h[$2].

Si no necesita ningún pedido, una solución simple sería

paste file{1,2} | awk '{print $1,$2,$3,$6}' > file3

Esto supone que todas las filas tienen tres entradas, y las columnas 1 y 2 de ambos archivos son iguales (como en los datos de ejemplo)