Substituição de várias palavras no arquivo delimitado por tabulações com palavras alternativas

Question

Eu tenho um arquivo delimitado por tabulações com códigos (por exemplo, ctc, nmg, nml) que indicam organismos (File_1):

522 ctc:CTC00972    -   506 3.20E-138   
522 nmg:Nmag_3027   -   561 4.70E-73
522 nml:Namu_3564   -   566 1.80E-146

Eu também tenho um arquivo delimitado por tabulação que vincula os códigos aos nomes dos organismos (Arquivo_2):

ctc  Clostridium_tetani_E88
nla  Neisseria_lactamica
nmg  Natrialba_magadii

Como posso substituir os códigos em File_1 pelos nomes dos organismos em File_2?

Saída desejada:

522 Clostridium_tetani_E88:CTC00972 -   506 3.20E-138   
522 Natrialba_magadii:Nmag_3027     -   561 4.70E-73
522 Neisseria_lactamica:Namu_3564   -   566 1.80E-146

Tenha em mente que existem milhares desses códigos no conjunto de dados completo e que a ordem dos organismos não é a mesma no Arquivo_1 e no Arquivo_2.

    

Answer 1

É realmente apenas uma variante do "compilar uma tabela de pesquisa a partir de um arquivo; usá-lo ao processar o outro arquivo", com o enrugamento que a chave de pesquisa precisa ser dividida do segundo campo. Você poderia fazer isso em awk , por exemplo:

awk '
  BEGIN{OFS=FS="\t"} 
  NR==FNR {
    a[$1]=$2; next
  } 
  {
    split($2,b,":"); 
    if (b[1] in a) $2 = a[b[1]]":"b[2]
  } 1' File_2 File_1

    

Answer 2

Isso deve fazer o trabalho com sed :

sed '/^[a-z]*[[:cntrl:]].*/{s/[[:cntrl:]]/###/;H;d;}
 G
 s/\([a-z]*\)\(:.*\n\)###\([^[:cntrl:]]*\)//
 P
 d' file_2 file_1

É uma adoção de solução genérica . Veja lá para uma explicação de como funciona.

    

Answer 3

awk abordagem:

awk 'NR==FNR{a[$1]=$2;next}$2 in a{$2=a[$2]":"$3;$3=""}1' File_2 FS="[ |:]" File_1

A saída:

522 Clostridium_tetani_E88:CTC00972     -   506 3.20E-138   
522 Natrialba_magadii:Nmag_3027    -   561 4.70E-73
522 nml:Namu_3564   -   566 1.80E-146

Observe que os códigos nml e nla não têm correspondências entre os dois arquivos de entrada