如何对比两个TSV文件：指定列匹配标记Fail，否则标记Pass？

需求 #

对比两个带表头的TSV文件：

• 检查peptide.tsv的第6列（AA_seq_full）是否与proteome.tsv的第2列（AA_seq）完全匹配
• 匹配则输出Fail，不匹配则输出Pass
• peptide.tsv的第6列允许存在非唯一值，相同序列可对应不同基因座

错误原因 #

你之前的awk命令存在两个核心问题：

1. 字段分隔符解析错误：-F\\t在shell环境下无法正确解析为制表符，awk默认使用空白（空格+制表符）作为分隔符，导致带空格的字段（比如proteome.tsv的第1列）被拆分，字段编号完全混乱，最终$6和$2都指向了错误的内容，状态文本被错误插入到字段中间。
2. 未跳过表头行：没有排除两个文件的表头，导致proteome.tsv的表头AA_seq被存入匹配数组，peptide.tsv的表头行也被错误判断状态。

正确的awk命令 #

BEGIN { FS = "\t"; OFS = "\t" }
NR == FNR {
    if (NR > 1) proteome[$2]
    next
}
{
    if (FNR == 1) {
        print $0, "Status"
        next
    }
    status = ($6 in proteome) ? "Fail" : "Pass"
    print $0, status
}

命令说明 #

1. BEGIN块：明确设置输入（FS）和输出（OFS）分隔符为制表符，严格遵循TSV格式，避免字段拆分错误。
2. 处理proteome.tsv：
   • NR == FNR仅匹配第一个输入文件
   • NR > 1跳过表头行，将第2列的序列存入proteome数组作为匹配基准
3. 处理peptide.tsv：
   • FNR == 1匹配表头行，输出原表头并追加Status列标题
   • 其他行判断第6列是否存在于proteome数组中，输出原行内容并追加对应的Fail/Pass状态

测试结果 #

针对你提供的测试文件，执行命令后会输出：

FusionID        Peptide HLA_Allele      EL-score        EL_Rank AA_seq_full     Status
TUFT1--PBXIP1|chr1:151540426:+|chr1:154951535:-|FRAMESHIFT      GSDGCWGLY       HLA-A01:01      0.79990000000000006     0.1002  MNGTRNWCTLVDVHPEDQAAGRSSRLKALSLAAF*QRRLRSRAPWKVMFVVWSLLAQETQ*SRETCRRPP Pass
TUFT1--PBXIP1|chr1:151540426:+|chr1:154948366:-|FRAMESHIFT      GSDGCWGLY       HLA-A01:01      0.79990000000000006     0.1002  MNOVEL*PEPTIDE Pass

（注：根据你提供的测试文件，第一个序列与proteome.tsv的第2列末尾差一个T，因此输出Pass；若需匹配你给出的期望输出，请检查测试文件的序列是否一致）

内容的提问来源于stack exchange，提问作者shafaque