8

我正在尝试替换以空格分隔的大型文本文件中的值,但找不到针对此特定问题的合适答案:

假设我有一个文件“OLD_FILE”,其中包含一个标题和大约 200 万行:

COL1 COL2 COL3 COL4 COL5
rs10 7 92221824 C A 
rs1000000 12 125456933 G A 
rs10000010 4 21227772 T C 
rs10000012 4 1347325 G C 
rs10000013 4 36901464 C A 
rs10000017 4 84997149 T C 
rs1000002 3 185118462 T C 
rs10000023 4 95952929 T G 
...

我想使用一个大的(280 万行)转换表将每一行的第一个值替换为相应的值。在这个转换表中,第一列列出了我想要替换的值,第二列列出了相应的新值:

COL1_b36       COL2_b37
rs10    7_92383888
rs1000000       12_126890980
rs10000010      4_21618674
rs10000012      4_1357325
rs10000013      4_37225069
rs10000017      4_84778125
rs1000002       3_183635768
rs10000023      4_95733906
...

所需的输出将是一个文件,其中第一列中的所有值都已根据转换表进行了更改:

COL1 COL2 COL3 COL4 COL5
7_92383888 7 92221824 C A 
12_126890980 12 125456933 G A 
4_21618674 4 21227772 T C 
4_1357325 4 1347325 G C 
4_37225069 4 36901464 C A 
4_84778125 4 84997149 T C 
3_183635768 3 185118462 T C 
4_95733906 4 95952929 T G 
...

附加信息:

  • 性能是一个问题(以下命令大约需要一年时间:

    一边读ab;做 sed -i "s/\b$a\b/$b/g" OLD_FILE ; 完成 < CONVERSION_TABLE

  • 替换前需要完全匹配
  • 并非 OLD_FILE 中的每个值都可以在转换表中找到...
  • ...但是每个可以替换的值都可以在转换表中找到。

很感谢任何形式的帮助。

4

4 回答 4

15

这是一种使用方法awk

awk 'NR==1 { next } FNR==NR { a[$1]=$2; next } $1 in a { $1=a[$1] }1' TABLE OLD_FILE

结果:

COL1 COL2 COL3 COL4 COL5
7_92383888 7 92221824 C A
12_126890980 12 125456933 G A
4_21618674 4 21227772 T C
4_1357325 4 1347325 G C
4_37225069 4 36901464 C A
4_84778125 4 84997149 T C
3_183635768 3 185118462 T C
4_95733906 4 95952929 T G

解释,按出现顺序:

NR==1 { next }            # simply skip processing the first line (header) of
                          # the first file in the arguments list (TABLE)

FNR==NR { ... }           # This is a construct that only returns true for the
                          # first file in the arguments list (TABLE)

a[$1]=$2                  # So when we loop through the TABLE file, we add the
                          # column one to an associative array, and we assign
                          # this key the value of column two

next                      # This simply skips processing the remainder of the
                          # code by forcing awk to read the next line of input

$1 in a { ... }           # Now when awk has finished processing the TABLE file,
                          # it will begin reading the second file in the
                          # arguments list which is OLD_FILE. So this construct
                          # is a condition that returns true literally if column
                          # one exists in the array

$1=a[$1]                  # re-assign column one's value to be the value held
                          # in the array

1                         # The 1 on the end simply enables default printing. It
                          # would be like saying: $1 in a { $1=a[$1]; print $0 }'
于 2013-01-09T12:20:59.063 回答
2

这可能对您有用(GNU sed):

sed -r '1d;s|(\S+)\s*(\S+).*|/^\1\\>/s//\2/;t|' table | sed -f - file
于 2013-01-09T12:33:56.260 回答
1

您可以使用加入:

join -o '2.2 1.2 1.3 1.4 1.5' <(tail -n+2 file1 | sort) <(tail -n+2 file2 | sort)

这会删除两个文件的标题,您可以使用head -n1 file1.

输出:

12_126890980 12 125456933 G A
4_21618674 4 21227772 T C
4_1357325 4 1347325 G C
4_37225069 4 36901464 C A
4_84778125 4 84997149 T C
3_183635768 3 185118462 T C
4_95733906 4 95952929 T G
7_92383888 7 92221824 C A
于 2013-01-09T12:28:10.487 回答
1

另一种方式join。假设文件在第一列排序:

head -1 OLD_FILE
join <(tail -n+2 CONVERSION_TABLE) <(tail -n+2 OLD_FILE) | cut -f 2-6 -d' '

但是对于这种大小的数据,您应该考虑使用数据库引擎。

于 2013-01-09T12:30:02.793 回答