又遇難題，懇請幫助

bioinfor

文件中數(shù)據(jù)分兩列，兩列間以table鍵格開，兩列的數(shù)據(jù)行數(shù)可能不相同，其中第一列存在存放一個或兩個數(shù)據(jù)的單元格，一個數(shù)據(jù)的為單個名稱如LDHA，兩個數(shù)據(jù)的用/符號分開，其中/表示或的意思，如MFSD3 / LOC113655表示MFSD3或LOC113655，但MFSD3 / LOC113655仍占第一列的一個單元格，第二列不存在/分開的名稱，因此第二列單元格均只有一個數(shù)據(jù)。如下：

LDHA  ZNFX1
GABPB2  MFSD3
HDHD2  PNPO
STYXL1 / DUSP24  PLEKHA3
PNPO  PDCD1LG2
SECISBP2  CYBRD1
SLC12A9  DUSP24
MCOLN1  MYT1L
MFSD3 / LOC113655  FYCO1

將相同名稱的輸出來，中間以table鍵相隔開，如上面應(yīng)該輸出：
PNPO　 PNPO
STYXL1 / DUSP24 DUSP24
MFSD3 / LOC113655 MFSD3


實際文件可能比較大，大約有4000行左右。

附上實際數(shù)據(jù)。


謝謝！

xti9er

2個方法
第一個直接復(fù)制到excl表格中，然后選擇排序，5秒內(nèi)搞定
第二個辦法，用perl正則取第一列作為hash的key，整列做值，最后按key  foreach輸出，耗時2分鐘

mwjpiero

可以考慮用列表就夠了，不過數(shù)據(jù)的確很龐大，做個循環(huán)讀好了，也不要用列表了

shaneqi

用hash應(yīng)該還是挺快的。

珞水的大叔

如圖，你的數(shù)據(jù)從第991行開始就只有1列了
請準(zhǔn)確的描述一下需求

shangat

回復(fù) 1# bioinfor

1. use strict;
   
2. use warnings;
   
3. 
   
4. my ( @arr, $key, $values, $temp );
   
5. my %hash;
   
6. 
   
7. open A,"Book.txt" or die;
   
8. while ( <A> ) {
   
9.         chomp;
   
10.         @arr = split;
    
11.         if ( @arr % 2 ) {
    
12.                 $hash{$_} =  "###";
    
13.         }
    
14.         else {
    
15.                 $values = $arr[-1];
    
16.                 s/(\w.*)\s+$values/$1/;
    
17.                 $hash{$_} = $values;
    
18.         }
    
19. }
    
20. 
    
21. foreach $key ( keys %hash ) {
    
22.         @arr = split /\s+/,$key;
    
23.         if ( @arr == 3 ) {
    
24.                 foreach $temp ( @arr[0,2] ) {
    
25.                         if ( ( $values ) = grep $temp eq $_, values %hash ) {
    
26.                                 printf ("%-25s\t%-15s\n",$key, $values);
    
27.                         }
    
28.                 }
    
29.         }
    
30.         else {
    
31.                 if ( ( $values ) = grep $arr[0] eq $_, values %hash ) {
    
32.                         printf ("%-25s\t%-15s\n", $key, $values);
    
33.                 }
    
34.         }
    
35. }

復(fù)制代碼

Q1：

5樓 發(fā)表于 2010-09-20 21:02  | 只看該作者

如圖，你的數(shù)據(jù)從第991行開始就只有1列了

Q2：還要先對 Book3.txt 處理一下，含有 ^M

1. sed -n 's/\r//p' Book.txt >book.txt

復(fù)制代碼

或者

1. dos2unix Book.txt

復(fù)制代碼

remark

\w.*  
這是要匹配啥？

bioinfor

2個方法
第一個直接復(fù)制到excl表格中，然后選擇排序，5秒內(nèi)搞定
第二個辦法，用perl正則取第一列作為hash ...
xti9er 發(fā)表于 2010-09-20 11:53

EXCEL不行，因為第一列的數(shù)據(jù)和第二列的數(shù)據(jù)行數(shù)不一樣，往往第一列的要多一些，所以用眼來比對不太現(xiàn)實。




謝謝shangat 的代碼，但為什么我運行如下例子時
LDHA  ZNFX1
GABPB2  MFSD3
HDHD2  PNPO
STYXL1 / DUSP24  PLEKHA3
PNPO  PDCD1LG2
SECISBP2  CYBRD1
SLC12A9  DUSP24
MCOLN1  MYT1L
MFSD3 / LOC113655  FYCO1


沒有得到應(yīng)有的結(jié)果：

PNPO　 PNPO
STYXL1 / DUSP24 DUSP24
MFSD3 / LOC113655 MFSD3


另外，我使用我上傳的Book3.rar文件中的數(shù)據(jù)運行了一下，結(jié)果不太對，第一列中存在而第二列沒有的也輸出來了
如：
STX18                                   STX18                
QRSL1                                   QRSL1


STX18在第一列存在，第二列沒有這個數(shù)據(jù)。

另外：Q2：還要先對 Book3.txt 處理一下，含有 ^M
^M是什么？

shangat

回復(fù) 8# bioinfor

A1：原來的代碼為我對991 行之后添加內(nèi)容進行操作，沒有考慮到存在單列數(shù)據(jù)，并且 while 循環(huán)中的匹配也不對，不好意思

1. CSTF2T        GALNT4
   
2. CTDSPL2 / HSPC129        RANBP6
   
3. CTSA / PPGB        EYA1
   
4. CTSL1 / CTSL           991
   
5. CYB5B / CYB5-M           992
   
6. CYB5R4 / NCB5OR           993
   
7. CYP1B1           994
   
8. CYP51A1           995

復(fù)制代碼

另外，我使用我上傳的Book3.rar文件中的數(shù)據(jù)運行了一下，結(jié)果不太對，第一列中存在而第二列沒有的也輸出來了

在于匹配時哈希的鍵和值一樣了，當(dāng)然會匹配上，自己太不細心了
A2：

另外：Q2：還要先對 Book3.txt 處理一下，含有 ^M

自己找答案

代碼已修改

expert1

回復(fù) 1# bioinfor

一點都不難，但是比較煩，囧。
調(diào)試了很久，╮(╯▽╰)╭，按照你的數(shù)據(jù)規(guī)則，以下這個腳本應(yīng)該沒問題。有問題站短我

1. 
   
2. 
   
3. #!/bin/awk -f
   
4. # author ：expert1
   
5. #date :2010-10-03
   
6. 
   
7. #name :test.awk
   
8. 
   
9. #USAGE: awk -f test.awk book3 book3
   
10. 
    
11. NR==FNR{if(NF==2)a[$1];else a[$1$2$3]
    
12. 
    
13.                  }
    
14. 
    
15. NR>FNR{
    
16. 
    
17.             for(i in a) {
    
18. 
    
19.             if (split(i,b,"/")>1)
    
20. 
    
21.                    {if(($NF==b[1])||($NF==b[2]))print b[1]" / "b[2]"\t"$NF}
    
22. 
    
23.            else  {if(($NF==i))print i"\t"$NF}
    
24.                      
    
25.                         }
    
26. 
    
27.       }
    

復(fù)制代碼

用法：awk -f test.awk book3 book3
我用的是gawk ，估計一般的awk都可以吧，這里沒有什么特殊的函數(shù)。只有一個split。
我處理的時候，book3的規(guī)則是：第一列內(nèi)若是沒單元格的，第一列第二列直接tab隔開，
第一列內(nèi)有單元格的，第一列內(nèi)abcd / efgh （空格,/,空格）然后tab隔開然后再第二列。
按照這個規(guī)則的文件，這個腳本沒問題。取前990行結(jié)果如下：
BRMS1L  BRMS1L
RPS6KA5 RPS6KA5
AP2B1   AP2B1
ARID4A  ARID4A
BTG3    BTG3
RBL1    RBL1
ARL1    ARL1
NAGK    NAGK
HBP1    HBP1
CDC37L1 CDC37L1
ERBB3   ERBB3
MAP3K5  MAP3K5
DCBLD2  DCBLD2
ANKRD13C / DKFZP566D1346        ANKRD13C
BTBD7   BTBD7
CTSA / PPGB     CTSA
C9orf5  C9orf5
CDKN1A  CDKN1A
PAFAH2  PAFAH2
SLC2A4  SLC2A4
APPL1 / APPL    APPL1
SLC30A7 SLC30A7
NRSN1 / VMP     NRSN1
PAPOLA  PAPOLA
PRR16 / LOC51334        PRR16
TUSC2   TUSC2
MTF1    MTF1
EIF2S1  EIF2S1
PLAGL2  PLAGL2
CENPO / MGC11266        CENPO
LAPTM4A LAPTM4A
PPP2CA  PPP2CA
EIF4H / WBSCR1  EIF4H
CEP57 / PIG8    CEP57
APP     APP
MAP3K14 MAP3K14
FZD7    FZD7
ABHD2   ABHD2
MBTPS1  MBTPS1
CTDSPL2 / HSPC129       CTDSPL2
UGDH    UGDH
至于3000行都是小case了，我處理過7000多行的文件也是shell ,很快的。
PS：你的附件的991行后數(shù)據(jù)都有問題。
你給的幾個數(shù)據(jù)我都試過了沒問題。