使用Awk按列值范围合并制表符分隔数据集的问题

我有两个制表符分隔的数据集dataset1和dataset2，需求为：遍历dataset2的每一行，若dataset2第2列与dataset1第1列匹配，且dataset2第3列的值处于dataset1第2、3列的范围之间，则输出dataset2该行加dataset1匹配行；否则输出dataset2该行加全为"."的列。但我使用的Awk脚本执行后输出不符合预期，请求修正脚本实现预期功能。

dataset1数据 #

NC_044998.1     14582   80739   LOC100221041
NC_044998.1     31388   68748   DCBLD2
NC_044998.1     80874   299341  CMSS1
NC_044998.1     112495  297570  FILIP1L
NC_044998.1     287349  289742  LOC116808959
NC_044998.1     300404  343805  TBC1D23
NC_044998.1     333622  344667  NIT2
NC_044998.1     346168  368957  TOMM70
NC_044998.1     371654  380427  LNP1
NC_044998.1     387231  413422  TMEM45A

dataset2数据 #

1       NC_044998.1     15001   6.040368        2.038993e-04
1       NC_044998.1     25002   0.000000        3.333334e-01
1       NC_044998.1     35003   2.309260        4.638924e-03
1       NC_044998.1     45004   3.438428        5.053365e-03
1       NC_044998.1     55005   1.086369        9.663565e-02
1       NC_044998.1     65006   3.250019        8.298793e-04
1       NC_044998.1     75007   1.081163        8.039542e-03
1       NC_044998.1     85008   0.186722        8.158607e-02
1       NC_044998.1     95009   2.236803        3.256445e-03
1       NC_044998.1     105010  0.089978        2.846438e-01

使用的原Awk脚本 #

NR==FNR {
    q[++n] = $0
    f1[n] = $2
    f2[n] = $3
    next
}
# process file2
{
    for (i = 1; i <= n; i++) {
        if ($1 == f1[i] && (f2[i] > $2 && f2[i] < $3))
            print q[i]"\t"$0
        else
            print q[i]"\t"."\t"."\t"."\t"."."
    }
} 

当前输出 #

1       NC_044998.1     15001   6.040368        2.038993e-04    NC_044998.1     14582   80739   LOC100221041
1       NC_044998.1     25002   0.000000        3.333334e-01    NC_044998.1     14582   80739   LOC100221041
1       NC_044998.1     35003   2.309260        4.638924e-03    NC_044998.1     14582   80739   LOC100221041
1       NC_044998.1     45004   3.438428        5.053365e-03    NC_044998.1     14582   80739   LOC100221041
1       NC_044998.1     55005   1.086369        9.663565e-02    NC_044998.1     14582   80739   LOC100221041
1       NC_044998.1     65006   3.250019        8.298793e-04    NC_044998.1     14582   80739   LOC100221041
1       NC_044998.1     75007   1.081163        8.039542e-03    NC_044998.1     14582   80739   LOC100221041
1       NC_044998.1     85008   0.186722        8.158607e-02    .       .       .       .       .
1       NC_044998.1     95009   2.236803        3.256445e-03    .       .       .       .       .
1       NC_044998.1     105010  0.089978        2.846438e-01    .       .       .       .       .

预期输出 #

1       NC_044998.1     15001   6.040368        2.038993e-04    NC_044998.1     14582   80739   LOC100221041
1       NC_044998.1     25002   0.000000        3.333334e-01    NC_044998.1     14582   80739   LOC100221041
1       NC_044998.1     35003   2.309260        4.638924e-03    NC_044998.1     14582   80739   LOC100221041
1       NC_044998.1     35003   2.309260        4.638924e-03    NC_044998.1     31388   68748   DCBLD2
1       NC_044998.1     45004   3.438428        5.053365e-03    NC_044998.1     14582   80739   LOC100221041
1       NC_044998.1     45004   3.438428        5.053365e-03    NC_044998.1     31388   68748   DCBLD2
1       NC_044998.1     55005   1.086369        9.663565e-02    NC_044998.1     14582   80739   LOC100221041
1       NC_044998.1     55005   1.086369        9.663565e-02    NC_044998.1     31388   68748   DCBLD2
1       NC_044998.1     65006   3.250019        8.298793e-04    NC_044998.1     14582   80739   LOC100221041
1       NC_044998.1     65006   3.250019        8.298793e-04    NC_044998.1     31388   68748   DCBLD2
1       NC_044998.1     75007   1.081163        8.039542e-03    NC_044998.1     14582   80739   LOC100221041
1       NC_044998.1     85008   0.186722        8.158607e-02    NC_044998.1     80874   299341  CMSS1
1       NC_044998.1     95009   2.236803        3.256445e-03    NC_044998.1     80874   299341  CMSS1
1       NC_044998.1     105010  0.089978        2.846438e-01    NC_044998.1     80874   299341  CMSS1

修正后的Awk脚本 #

NR==FNR {
    # 存储dataset1的每一行、匹配键、起始和结束位置
    lines[++n] = $0
    chr[n] = $1
    start[n] = $2
    end[n] = $3
    next
}

{
    matched = 0
    # 遍历所有dataset1条目，查找所有匹配项
    for (i=1; i<=n; i++) {
        # 修正匹配条件：dataset2第2列匹配dataset1第1列，且dataset2第3列在dataset1的起止区间内
        if ($2 == chr[i] && start[i] <= $3 && $3 <= end[i]) {
            # 按需求输出dataset2行在前，匹配的dataset1行在后
            print $0 "\t" lines[i]
            matched = 1
        }
    }
    # 无匹配时输出dataset2行加全为"."的列
    if (!matched) {
        print $0 "\t.\t.\t.\t."
    }
}

脚本修正说明 #

1. 字段存储修正：正确记录dataset1的匹配键（第1列）、起始位置（第2列）、结束位置（第3列）和整行内容，解决原脚本字段对应错误的问题。
2. 匹配条件修正：将原脚本颠倒的字段对应关系和范围判断逻辑纠正，确保判断逻辑符合需求。
3. 输出顺序调整：按照需求输出dataset2行 + dataset1匹配行的顺序，而非原脚本的反向输出。
4. 多匹配处理：遍历所有dataset1条目，找到所有符合条件的匹配项并逐一输出，实现预期输出中一行dataset2对应多行匹配结果的场景。
5. 无匹配场景处理：当没有找到任何匹配时，输出dataset2行加四个"."的列，符合需求要求。

内容的提问来源于stack exchange，提问作者user5719890