manter apenas as colunas no primeiro arquivo que seus números de coluna correspondem aos números no segundo arquivo

Question

Eu tenho um genotype.file com 317 colunas (1, 2, 3, ..., 317). No exemplo abaixo, estou mostrando apenas as primeiras colunas!

Entrada genotype.file :

Chr00c0002  56240   N   N   N   A   N   A   N   N   N   N   N   A   
Chr00c0040  55087   N   N   N   C   N   N   N   N   N   N   N   N   
Chr00c0041  24730   N   N   N   A   N   A   N   N   N   N   N   N   
...

Eu quero manter apenas as colunas que correspondem a cada um dos meus count.files . Este é um dos meus arquivos de contagem e eu tenho no total 50 count file (count.file.1, count.file.2, ..., count.file.50)!

cat count.file.1
51
92
166
169
196
199
213
228
229
284
291
297

Portanto, para o primeiro count.file , quero manter apenas as colunas 51, 92, 166, 169, ... do genotype.file .

    

Answer 1

Supondo que o arquivo genotype.file seja delimitado por tabulações:

cut -f $(tr '\n' ',' <count.file.1 | sed 's/,$//') genotype.file

A substituição do comando, $( tr ... | sed ... ) , gera uma lista de números de colunas delimitados por vírgulas para cut a ser cortada do arquivo de entrada.

O tr substitui todas as novas linhas por vírgulas no arquivo count.file.1 , enquanto sed remove a vírgula extra no final.

O comando resultante será semelhante ao seguinte, dados dados de exemplo:

cut -f 51,92,166,169,196,199,213,228,229,284,291,297 genotype.file

Para fazer um loop pelos arquivos count.file.* :

for cfile in count.file.*; do
    cut -f $(tr '\n' ',' <"$cfile" | sed 's/,$//') genotype.file >genotype-"${cfile##*.}"
done

Isso cria um novo arquivo chamado genotype-N , em que N é o número correspondente ao count.file.N que foi usado para gerá-lo a partir de genotype.file . O número é extraído do final do nome do arquivo.

Se genotype.file não for delimitado por tabulações , poderá torná-lo delimitado por tabulações:

tr -s ' ' '\t' <genotype.file >genotype.tsv

Isso pressupõe que as colunas no arquivo original são separadas por apenas espaços. O comando tr substituirá vários espaços consecutivos por uma guia. O resultado é redirecionado para um novo arquivo. Você usaria o comando cut acima neste novo arquivo.

Usando awk

awk 'NR == FNR { c[++n] = $0; next } { t=$c[1]; for (i=2; i<=n; ++i) t = t OFS $c[i]; print t }' count.file.1 genotype.file

Isso primeiro lerá count.file.1 para obter as colunas que gostaríamos de extrair de genotype.file na matriz c e, em seguida, quando lermos genotype.file , esses números de coluna serão usados para extrair a dados. t é uma variável temporária que contém a linha de saída construída a partir das colunas selecionadas.

Para fazer um loop pelos arquivos count.file.* :

for cfile in count.file.*; do
    awk 'NR == FNR { c[++n] = $0; next } { t=$c[1]; for (i=2; i<=n; ++i) t = t OFS $c[i]; print t }' \
        "$cfile" genotype.file >genotype-"${cfile##*.}"
done

Isso cria um novo arquivo chamado genotype-N da mesma maneira que com a cut solution.

    

Answer 2

Usando awk apenas com script simples.

awk '{ printf "{ print ";for(i=1; i<NF; i++){ printf "$%d, ",$i};
       print "$"$i" }" }' <<< "$(awk '{printf $0" "}' count.file.{1..50})" >genotype.awk

Isso produzirá um script awk chamado genotype.awk como abaixo, que coletará todos os números de colunas em todos os arquivos count.file.{1..50} . Usamos Brace Expansion aqui para ler todos esses 50 arquivos por awk .

{ print $51, $92, $166, $169, $196, $199, $213, $228, $229, $284, $291, $297, ... }

Uso:

awk -f genotype.awk genotype.file

Isso executará a execução do script genotype.awk no arquivo genotype.file e imprimirá apenas o número de colunas incluído.