linux - 如何在 Linux 中从主数据填充子集数据字段

Question

我有一个带有 rs id(和其他字段)的 SNP 数据子集，我想用它们各自的染色体编号和染色体位置创建两个新列。我有一个包含所有 SNP(rs id、染色体编号、位置...等)的主文件，我想使用命令行从主文件填充我的文件(我的子集文件有大约 300 万行)。

我在想类似 join 和 if then 语句，或 awk(或它们的某种组合)

例如，我有:

文件1

SNP A1  A2  Freq1.Hapmap    b   se  p   N
rs1000000   G   A   0.6333  1e-04   0.0043  0.9814  233572
rs10000010  T   C   0.575   -0.0022 0.0029  0.4384  339148

文件2

ID  SNP Chromosome  Position    REF Allele  ALT Allele  Contig  Contig Position Band    dbSNP
chr10:1175426:C/G:1 rs1000000   chr10   1175426 C   G   GL000093.1  1115426 p15.3   rs184435191
chr10:31133635:T/C:1    rs143579887 chr10   31133635    T   C   GL000093.1  31073635    p11.23  rs143579887
chr10:33247334:G/T:1    chr10:33247334:G/T:1    chr10   33247334    G   T   GL000093.1  33187334    p11.22  
chr11:118230335:A/G:1   rs10000010  chr11   118230335   A   G   GL000104.1  21792751    q23.3   rs147754044
chr11:132968833:A/C:1   chr11:132968833:A/C:1   chr11   132968833   A   C   GL000104.1  36531249    q25 
chr11:57678793:C/G:-1   rs77482717  chr11   57678793    C   G   GL000103.1  2984588 q12.1   rs77482717
chr11:61722645:C/A:1    chr11:61722645:C/A:1    chr11   61722645    C   A   GL000103.1  7028440 q12.3   rs1109748

我想要的:

SNP Chromosome  Position A1 A2  Freq1.Hapmap    b   se  p   N
        rs1000000   chr10   1175426 G   A   0.6333  1e-04   0.0043  0.9814  233572
        rs10000010  chr11   118230335 T C   0.575   -0.0022 0.0029  0.4384  339148

Answer 1

假设您的文件是制表符分隔的:

$ awk 'BEGIN{FS=OFS="\t"}NR==FNR{a[$2]=$3 OFS $4;next}{$2=a[$1] OFS $2}1' file2 file1
SNP Chromosome  Position    A1  A2  Freq1.Hapmap    b   se  p   N
rs1000000   chr10   1175426 G   A   0.6333  1e-04   0.0043  0.9814  233572
rs10000010  chr11   118230335   T   C   0.575   -0.0022 0.0029  0.4384  339148

对于 file2 中的所有记录:将每个 SNP 与数组中相应的染色体和位置值关联，file1:从数组中检索与每个 SNP 关联的染色体和位置值并在第二列之前插入。