基于第一列ID匹配合并多份Tab分隔文件的AWK实现问题

核心需求 #

以FILE_1的第一列ID为基准，合并另外10份Tab分隔文件的对应列：匹配到ID则追加该文件的后续列内容，未匹配到则对应列填充NA。

通用AWK解决方案 #

以下代码支持任意数量的待合并文件（这里对应10份），自动处理多列情况，无需手动调整列数：

BEGIN {
    FS = "\t"
    OFS = "\t"
}

# 处理除FILE_1外的所有待合并文件
ARGIND > 1 {
    if (FNR == 1) {
        # 记录当前文件第一列之后的列数
        col_cnt[ARGIND] = NF - 1
        next
    }
    # 拼接当前ID对应的所有后续列
    content = ""
    for (i=2; i<=NF; i++) {
        content = content (content ? OFS : "") $i
    }
    data[ARGIND][$1] = content
    next
}

# 处理基准文件FILE_1
{
    printf "%s", $0
    # 遍历所有待合并文件，追加对应内容或NA
    for (i=2; i<=ARGC-1; i++) {
        if ($1 in data[i]) {
            printf "%s%s", OFS, data[i][$1]
        } else {
            # 生成对应列数的NA串
            na = ""
            for (j=1; j<=col_cnt[i]; j++) {
                na = na (na ? OFS : "") "NA"
            }
            printf "%s%s", OFS, na
        }
    }
    print ""
}

使用方式 #

将上述代码保存为merge_ids.awk，然后执行命令：

awk -f merge_ids.awk FILE_1 FILE_2 FILE_3 ... FILE_11

（把FILE_2到FILE_11替换成你的实际文件名）

代码说明 #

1. 文件区分：用ARGIND变量判断当前处理的文件，ARGIND=1对应基准文件FILE_1，ARGIND>=2对应待合并的其他文件。
2. 列数记录：col_cnt数组存储每个待合并文件第一列之后的列数，保证未匹配时填充正确数量的NA。
3. 数据存储：二维数组data[文件索引][ID]保存每个待合并文件中ID对应的后续列内容。
4. 基准文件处理：遍历FILE_1的每一行，先输出本行内容，再依次追加每个待合并文件的匹配内容或NA串。

示例验证 #

输入文件 #

FILE_1:

ID	ColA	ColB
1	a	b
2	c	d
3	e	f

FILE_2:

ID	ColC
1	x
3	y

FILE_3:

ID	ColD	ColE
2	z	w

输出结果 #

ID	ColA	ColB	ColC	ColD	ColE
1	a	b	x	NA	NA
2	c	d	NA	z	w
3	e	f	y	NA	NA

内容的提问来源于stack exchange，提问作者Dipali