linux - 根据第二个文件中对应的 ID 列表从文件中提取第一个条目？

Question

我有一个 2 文本文件。 file1 包含 ID:

0   ABCD  
3   ABDF
4   ACGFR
6   ABCD
7   GFHTRSFS

和文件2:

ID001  AB  ACGFR  DF  FD  GF  TYFJ  ANH  
ID002  DFR  AG  ABDF  HGT  MNJ  POI  YUI
ID003  DGT  JHY  ABCD  YTRE  NHYT  PPOOI  IUYNB
ID004  GFHTRSFS  MJU  UHY  IUJ  POL  KUH  KOOL

如果文件 1 的第二列与文件 2 中的任何条目匹配，则文件 2 的第一列应该是它的答案。

输出应该是这样的:

0   ID003
3   ID002
4   ID001
6   ID003
7   ID004

(文件 1 (ABCD) 的第二列与文件 2 的第三行(ID003)匹配。因此，ID003 应该是它的答案)。

我也尝试过其他帖子中的示例，但不知何故它们与此不匹配。

任何帮助将不胜感激。

亲切的问候

Answer 1

当尝试将一个文件中的记录与另一个文件中的记录进行匹配时，其想法是使用哈希(也称为关联数组、键值对集或字典)来存储第一列和其余列之间的关系。实际上，创建以下关系:

file1: ABCD     -> 0
       ABDF     -> 3
       ACGFR    -> 4
       FGHTRSS  -> 6
       GFHTRSFS -> 7

file2: AB    -> ID001
       ACGFR -> ID001
       DF    -> ID001
       ...
       ANH   -> ID001
       DFR   -> ID002
       AG    -> ID002
       ...
       KUH   -> ID004
       KOOL  -> ID004

文件之间记录的实际匹配相当于确定如果两个散列，则此处 file1 和 file2 都为每个 file1 记录定义了键。在这里我们可以看到 ACGFR 是两者的键，因此我们可以匹配 4 和 ID001，对于其余键，依此类推。

在 Perl 中，我们可以通过分配值对来创建哈希:

my %hash = ( foo => 1, bar => 2 );

也可以使用引用创建哈希:

my $hash_ref = { foo => 1, bar => 2 };

可以使用keys函数找到键，并且可以提取单个值:

my $val1 = $hash{ foo };       # regular hash
my $val2 = $hash_ref->{ foo }; # hash reference

可以使用 exists 函数测试特定键是否是哈希的成员。

排除了这个背景，下面是在 Perl 中执行此操作的一种方法:

ma​​tchup_files.pl

#!/usr/bin/env perl

use warnings;
use strict;

my $usage = "usage: $0 file1 file2\n";

my ($file1, $file2) = @ARGV;
for my $file ($file1, $file2) {
    die $usage unless defined $file && -f $file; # -f checks whether $file is an actual file
}

# Create mappings col2 -> col1
#                 col3 -> col1
#                 col4 -> col1
my $h1 = inverted_hash_file_on_first_column( $file1 );
my $h2 = hash_file_on_first_column( $file2 );

# Try to find matching pairs
my $matches = {};
for my $h1_key ( keys %$h1 ) {
    my $h1_val = $h1->{$h1_key};
    if ( exists $h2->{ $h1_val } ) {
        # We have a match!
        my $num = $h1_key;
        my $id  = $h2->{ $h1_val };
        $matches->{ $num } = $id;
    }
}

# Print them out in numerical order
for my $num ( sort { $a <=> $b } keys %$matches ) {
    my $id = $matches->{$num};
    print join("  ", $num, $id) . "\n";
}

exit 0; # Success

sub inverted_hash_file_on_first_column {
    my ($file) = @_;
    return _hash_file($file, 1);
}

sub hash_file_on_first_column {
    my ($file) = @_;
    return _hash_file($file, 0);
}

sub _hash_file {
    my ($file, $inverted) = @_;

    my $fhash = {};
    open my $fh, "<", $file or die "Unable to open $file : $!";
    while ( my $line = <$fh> ) {
        my @fields = split /\s+/, $line; # Split line on whitespace
        my $key = shift @fields; # First column
        for my $field ( @fields ) {
            if ( $inverted ) {
                die "Duplicated field '$field'" if exists $fhash->{ $key };                
                $fhash->{ $key } = $field;
            } else {
                die "Duplicated field '$field'" if exists $fhash->{ $field };
                $fhash->{ $field } = $key;
            }
        }
    }
    return $fhash;
}

输出

matchup_files.pl input1 input2
0  ID003
3  ID002
4  ID001
6  ID003
7  ID004