如何用awk合并两文件 缺失值补NA并按位点坐标数值排序
基因组变异文件合并实现
核心需求
- 全量取File1、File2中的所有唯一位点,仅在单文件存在的位点,另一文件对应的全部数值字段填充为
NA - 合并结果按照位点标识符(格式为
chrX:pos:ref:alt)内嵌的染色体编号、位点坐标做升序排列
原参考代码存在的问题
原提供的awk参考脚本存在多处逻辑错位,无法输出正确结果:
- 数组键值错用了第二列的碱基字段,没有以核心的位点标识符列做匹配,必然出现内容匹配错位
- 硬编码了NA填充的字段长度,遇到不同列数的输入文件会直接输出乱码
- 输出阶段额外拼接NA字段,会造成多余列、列长度不匹配
- 直接按字符串模式排序,会出现
chr10排在chr2之前的排序错误
修正后可直接运行的实现
awk -F', ' ' BEGIN { NA_TAG = "NA" } # 逐行读取File1内容 NR == FNR { # 登记全量位点列表 variant_ids[$1] = 1 # 保存File1中每个位点除ID外的所有字段 f1_field_content[$1] = substr($0, index($0, $2)) # 记录File1的总字段数 if (FNR == 1) f1_total_col = NF next } # 逐行读取File2内容 { # 登记全量位点列表 variant_ids[$1] = 1 # 保存File2中每个位点除ID外的所有字段 f2_field_content[$1] = substr($0, index($0, $2)) # 记录File2的总字段数 if (FNR == 1) f2_total_col = NF } END { # 动态生成对应长度的NA填充串,适配不同列数的输入 f1_na_str = "" for (col_idx=1; col_idx <= f1_total_col -1; col_idx++) { f1_na_str = (col_idx == 1) ? NA_TAG : f1_na_str ", " NA_TAG } f2_na_str = "" for (col_idx=1; col_idx <= f2_total_col -1; col_idx++) { f2_na_str = (col_idx == 1) ? NA_TAG : f2_na_str ", " NA_TAG } # 遍历所有位点输出合并内容 for (vid in variant_ids) { part1 = (vid in f1_field_content) ? f1_field_content[vid] : f1_na_str part2 = (vid in f2_field_content) ? f2_field_content[vid] : f2_na_str print vid ", " part1 ", " part2 } } ' File1 File2 | sort -t':' -k1,1V -k2,2n
排序逻辑说明
排序参数采用冒号作为分隔符,
-k1,1V第一列做自然版本排序,自动识别染色体编号的数值顺序(避免chr10排在chr2之前的问题),-k2,2n对第二列提取的坐标值做纯数字升序,完全匹配按基因组坐标排序的要求。
内容的提问来源于stack exchange,提问作者Bot75
相关产品推荐
相关产品推荐

