Reemplazar entradas coincidentes en una columna de un archivo por otra columna de un archivo diferente

8

Tengo dos archivos separados por tabulaciones que se ven de la siguiente manera:

archivo1:

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

file2:

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

Quiero hacer coincidir la columna 1 del archivo1 con el archivo2 y reemplazarla con la entrada respectiva de la columna 2 del archivo 2. La salida se vería así:

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
fuente
Parece que también te puede interesar nuestro sitio hermano: Bioinformática .
terdon
Gracias por el enlace @terdon!
BhushanDhamale 05 de

Respuestas:

14

Puede hacer esto muy fácilmente con 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

O, dado que parece un archivo separado por tabulaciones:

$ 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

Esto supone que cada NC_*Id de RefSeq ( ) file1tiene una entrada correspondiente en file2.

Explicación

  • NR==FNR: NR es el número de línea actual, FNR es el número de línea del archivo actual. Los dos serán idénticos solo mientras file2se lee el primer archivo (aquí ).
  • a[$1]=$2; next: si este es el primer archivo (ver arriba), guarde el segundo campo en una matriz cuya clave es el primer campo. Luego, pasa a la nextlínea. Esto garantiza que el siguiente bloque no se ejecute para el primer archivo.
  • {$1=a[$1]; print}: ahora, en el segundo archivo, establezca el primer campo en cualquier valor guardado en la matriz apara el primer campo (por lo tanto, el valor asociado de file2) e imprima la línea resultante.
terdon
fuente
1
NR == FNRno funciona correctamente cuando el primer archivo está vacío. Vea esto y la respuesta asociada para una solución alternativa
iruvar
3
@iruvar nada funcionará bien si el primer archivo está vacío, por lo que realmente no veo por qué eso es relevante. El punto completo aquí es combinar los datos de los dos archivos. Si alguno de los archivos está vacío, todo el ejercicio no tiene sentido.
terdon
Lo siento, debería haber dicho en este caso particular file2y no file1está vacío. El comportamiento correcto cuando file2está vacío es informar el contenido de file1. El problema con NR == FNRes que el código asociado se ejecuta en el contenido de file1cuando file2está vacío
iruvar
3
@iruvar no hay un comportamiento sensato aquí si alguno de los archivos está vacío. Eso es lo que estoy diciendo :) Por lo tanto, tratar de hacer frente a ese caso con gracia no tiene sentido. Y, en cualquier caso, cuando cualquiera de los archivos está vacío aquí, no se imprime nada. Lo que en realidad parece ser el enfoque más sensato, prefiero no obtener datos que datos incorrectos.
terdon
17

No es necesario awk, suponiendo que los archivos estén ordenados, puede usar coreutils join:

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

Salida:

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

Si sus archivos no están ordenados, puede ordenarlos primero ( sort file1 > file1.sorted; sort file2 > file2.sorted) y luego usar el comando anterior o, si su shell admite la <()construcción (bash sí), puede hacer:

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

Probado con el siguiente comando y funcionó bien

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

salida

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
fuente