如何对第二列含2个及以上匹配字符串的行分组并分配新组号

你可以用下面的awk脚本直接完成需求，不需要额外依赖：

BEGIN {
    FS = ", "
    group_id = 0
}

# 第一步：预读取所有行，保存原始内容和对应条目集合
{
    raw[NR] = $0
    n = split($2, arr, " ")
    for (i=1; i<=n; i++) {
        item_set[NR][arr[i]] = 1
    }
    group[NR] = 0
}

# 第二步：遍历匹配分组
END {
    for (i=1; i<=NR; i++) {
        # 已分过组的直接跳过
        if (group[i] != 0) continue
        current_group = 0
        # 匹配所有和当前行交集>=2的行
        for (j=1; j<=NR; j++) {
            if (i == j) continue
            # 计算两行条目的交集大小
            intersect = 0
            for (k in item_set[i]) {
                if (item_set[j][k]) intersect++
            }
            if (intersect >= 2) {
                if (current_group == 0) {
                    group_id++
                    current_group = group_id
                    group[i] = current_group
                }
                if (group[j] == 0) group[j] = current_group
            }
        }
    }
    # 输出最终结果
    for (i=1; i<=NR; i++) {
        print raw[i] (group[i] ? ", " group[i] : "")
    }
}

使用方法 #

将上述代码保存为group.awk，在终端执行以下命令即可：

awk -f group.awk 你的输入文件路径

运行效果 #

针对你给出的示例输入，运行后输出结果如下：

1, C10 C11 N3 O1, 1
2, C19 C23 O2, 2
3, C19 N2 O2, 2
4, C10 C11 O1, 1
5, C11 N3 O1, 1
6, C13 C8 O3, 3
7, C8 N5 O3, 3

符合要求：交集条目数≥2的行会被分到同一组，且行优先归入第一个匹配到的分组。

内容的提问来源于stack exchange，提问作者Hailey