我有两个大文件，我正在尝试将文件_1的第一列中的信息与文件_2的标题相匹配。细节很小，file_2的头开头有一些信息，各列之间的信息有所不同，但最后它具有模式匹配。基本上，我必须找到文件2的列名结尾处file_1的'pattern'所在的位置，并使用此信息输出data.frame。
请在下面查看文件的外观：
**file_1** dim (757*3) the first column of the file_1 contains patterns
10001-101A3 a t
10008-101B6 b g
10235-104A1 c h
- - -
- - -
etc...
**file_2** dim (4120*1079)
blabla.10001.101A3 blbl.2348.101B6 trsdr.1111.111D2 gfder.10008.101B6 ....
12 1223 544 - -
132 23 3564 - -
14 223 33 - -
162 13 344 - -
**Desired output file-3:** I assume that the output size will be 4120*757
blabla.10001.101A3 gfder.10008.101B6 ....
12 - -
132 - -
14 - -
162 - -
我正在尝试使用R获取输出（下面是我的脚本），但我也想学习如何在Unix中实现它（我猜-awk和-grep可以帮助解决此问题）。
这是我的R脚本：
table1=read.table("file2.tsv.gz", quote=NULL, sep='\t', header=T, fill=T)
table2=read.table("file1.txt", quote=NULL, sep='\t', header=T, fill=T)
# dim(table1 4120 * 1079) -> need to reduce amount of columns to 757
# dim(table2 757 * 3)
###### the header in table1 has following view 10001.101A3, thus we need to substitute '-' to '.' in pattern
### What to do:
### 1) Use gsub() function to substitute '-' by '.'
### 2) Use gsub() function to remove space in the end of string ' ' by ''
### 3) Find modified pattern in the end of column's name
### 4) Apply to the entire table
pattern=table2[,1] # '10001-101A3 ' '10008-101B6 '
for (x in pattern) {
ptn=gsub('-','.',x)
ptn1=gsub(' ','',ptn) # pattern to be matched'
# '10001.101A3' '10008.101B6'
find_match=table1[,(grepl('^.+ptn1$', header))]
final_tb=table1[,find_match]
}
我认为问题在于grepl（）函数中ptn1的数据表示，因为当我插入10001.101A3而不是ptn1时，我会得到一次运行的答案，但是显然我需要循环遍历它。
我也尝试过get（ptn1），但仍然无法正常工作。
我会很感激您的评论以及在Unix中如何做到这一点的任何想法（我是Unix的基本用户，因此目前无法执行此任务）。
########################跟踪小数据df=data.frame(aa24.12a,dda43.23s,fds24.12a,sdf24.112f)
z = c（'24 -12a'，'43 -23s'）＃模式
aa24.12a fds24.12a aa24.12a.1 fds24.12a.1
1 2 34 2 34
2 3 2 3 2
3 4 1 4 1
4 56 3 56 3
5 3 5 3 5
header=colnames(df)
for (x in z){
ptn=gsub('-','.',x)
ptn1=gsub(' ','',ptn)# correct pattern
find_match=grep('^.+24.12a$', header)# find match of pattern in header
tbl=df[,find_match]
}
> tbl
aa24.12a fds24.12a
1 2 34
2 3 2
3 4 1
4 56 3
5 3 5
谢谢
谢谢N8TRO，为您提供解决方案并及时答复。
我对这个问题的解决方案是：
# Modify pattern z=('24-12a','43-23s')
ptn=gsub('-','.',z)
ptn1=gsub(' ','',ptn)
# so no it looks like '24.12a' '34.23s'
i=1
# create empty vector
df2=c()
# Iterate:
# first loop through column names of data frame
# second loop goes through vector's value
# grepl -> searches for matches
# condition, ==TRUE
# if so: append to the empty vector, values in the vector will be column numbers
for (x in colnames(df)){
for (y in ptn1){
e=grepl(y,x)
if (e==TRUE){
df2=append(df2,i)
}
}
i=i+1
}
wanted_output = df [，df2]
本文收集自互联网，转载请注明来源。
如有侵权，请联系[email protected] 删除。
我来说两句