次のような4つのtsv(タブ区切り)ファイルがあります。
file_1:
abc 1
def 2
ghi 3
file_2:
abc 2
ghi 3
file_3:
def 1
ghi 2
jkl 4
file_4:
ghi 3
jkl 4
これらのファイルを結合して、次のような1つのtsvファイルを取得します。
dataset file_1 file_2 file_3 file_4
abc 1 2
def 2 4
ghi 3 3 2 3
jkl 4 4
awk
を使用してみました
$ awk '
BEGIN{OFS=FS="\t"}
FNR==1{f = f "\t" FILENAME}
NR==FNR{a[$1] = $2}
NR!=FNR{a[$1] = a[$1] "\t" $2}
END{printf "dataset%s\n", f; for(i in a) print i, a[i]}
' file_{1..4}
このコマンドは機能しますが、シフトした値を取得しました。たとえば、1番目と2番目の列の値が空で、3番目と4番目の列の値が4と4の場合、そのコマンドから取得した出力の1番目と2番目の列の値は4ですが、3番目と4番目の列の値は空です。ですから、私が言及したawk
を使用して、tsvファイルを個別に結合しようとします。まずfile_1
とfile_2
を取得してoutput_1
を取得し、次にfile_3
とfile_4
を結合してoutput_2
を取得します。その後、$ join output_1 output_2
を使用してoutput_1とoutput_2をマージしますが、4つのファイルに存在する値のみを取得します。 1つのファイルにのみ存在するデータを失いました。
アドバイスをいただければ幸いです。
ありがとうございました
$ cat tst.awk
BEGIN { FS=OFS="\t" }
{ datasets[$1]; fnames[FILENAME]; vals[$1,FILENAME] = $2 }
END {
printf "%s", "dataset"
for (fname in fnames) {
printf "%s%s", OFS, fname
}
print ""
for (dataset in datasets) {
printf "%s", dataset
for (fname in fnames) {
printf "%s%s", OFS, vals[dataset,fname]
}
print ""
}
}
$ tail -n +1 file?
==> file1 <==
a 1
b 2
c 3
==> file2 <==
a 2
c 3
$ awk -f tst.awk file1 file2
dataset file1 file2
a 1 2
b 2
c 3 3
リストに好きなだけファイルを追加します。
join (GNU coreutils) 8.30
と「プロセス置換」を使用すると、
join -a1 -a2 -t" " -oauto -e " " <(join -a1 -a2 -t" " -oauto -e "" file[12]) <(join -a1 -a2 -t" " -oauto -e " " file[34])
abc 1 2
def 2 1
ghi 3 3 2 3
jkl 4 4
-t
オプションには<TAB>
文字値。
今のところアドバイス:必要に応じて後でコーディングする。
すべてのファイルを読み取る間、3つの配列を保持します。
(a)新しいファイルごとに、ファイル名のハッシュリスト。
(b)新しいデータセットごとに、$ 1のハッシュリスト。
(c)各行について、値のハッシュリスト
FNR == 1 { ++htFile[FILENAME]; }
! ($1 in htSet) { ++htSet[$1]; }
{ htVal [FILENAME, $1] = $2; }
End関数で、htFileとhtSetを反復処理します。
function Table (r, c, buf) {
buf = "dataset";
for (c in htFile)
buf = sprint ("%s\t%s", buf, htFile[c]);
print buf;
for (r in htSet) {
buf = "";
for (c in htFile)
buf = sprint ("%s\t%s", buf, htVal[c, r]);
print substr (buf, 2);
}
}
END { Table( ); }
これは、出力テーブル内のファイルとデータセットの順序を維持しません。それが重要な場合は、テーブルのシーケンスバージョンを保持し、元の順序で繰り返すことができます。