又遇难题，恳请帮助

bioinfor

文件中数据分两列，两列间以table键格开，两列的数据行数可能不相同，其中第一列存在存放一个或两个数据的单元格，一个数据的为单个名称如LDHA，两个数据的用/符号分开，其中/表示或的意思，如MFSD3 / LOC113655表示MFSD3或LOC113655，但MFSD3 / LOC113655仍占第一列的一个单元格，第二列不存在/分开的名称，因此第二列单元格均只有一个数据。如下：

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

将相同名称的输出来，中间以table键相隔开，如上面应该输出：
PNPO　 PNPO
STYXL1 / DUSP24 DUSP24
MFSD3 / LOC113655 MFSD3


实际文件可能比较大，大约有4000行左右。

附上实际数据。


谢谢！

xti9er

2个方法
第一个直接复制到excl表格中，然后选择排序，5秒内搞定
第二个办法，用perl正则取第一列作为hash的key，整列做值，最后按key  foreach输出，耗时2分钟

mwjpiero

可以考虑用列表就够了，不过数据的确很庞大，做个循环读好了，也不要用列表了

shaneqi

用hash应该还是挺快的。

珞水的大叔

如图，你的数据从第991行开始就只有1列了
请准确的描述一下需求

shangat

回复 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. }

复制代码

Q1：

5楼 发表于 2010-09-20 21:02  | 只看该作者

如图，你的数据从第991行开始就只有1列了

Q2：还要先对 Book3.txt 处理一下，含有 ^M

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

复制代码

或者

1. dos2unix Book.txt

复制代码

remark

\w.*  
这是要匹配啥？

bioinfor

2个方法
第一个直接复制到excl表格中，然后选择排序，5秒内搞定
第二个办法，用perl正则取第一列作为hash ...
xti9er 发表于 2010-09-20 11:53

EXCEL不行，因为第一列的数据和第二列的数据行数不一样，往往第一列的要多一些，所以用眼来比对不太现实。




谢谢shangat 的代码，但为什么我运行如下例子时
LDHA  ZNFX1
GABPB2  MFSD3
HDHD2  PNPO
STYXL1 / DUSP24  PLEKHA3
PNPO  PDCD1LG2
SECISBP2  CYBRD1
SLC12A9  DUSP24
MCOLN1  MYT1L
MFSD3 / LOC113655  FYCO1


没有得到应有的结果：

PNPO　 PNPO
STYXL1 / DUSP24 DUSP24
MFSD3 / LOC113655 MFSD3


另外，我使用我上传的Book3.rar文件中的数据运行了一下，结果不太对，第一列中存在而第二列没有的也输出来了
如：
STX18                                   STX18                
QRSL1                                   QRSL1


STX18在第一列存在，第二列没有这个数据。

另外：Q2：还要先对 Book3.txt 处理一下，含有 ^M
^M是什么？

shangat

回复 8# bioinfor

A1：原来的代码为我对991 行之后添加内容进行操作，没有考虑到存在单列数据，并且 while 循环中的匹配也不对，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

复制代码

另外，我使用我上传的Book3.rar文件中的数据运行了一下，结果不太对，第一列中存在而第二列没有的也输出来了

在于匹配时哈希的键和值一样了，当然会匹配上，自己太不细心了
A2：

另外：Q2：还要先对 Book3.txt 处理一下，含有 ^M

自己找答案

代码已修改

expert1

回复 1# bioinfor

一点都不难，但是比较烦，囧。
调试了很久，╮(╯▽╰)╭，按照你的数据规则，以下这个脚本应该没问题。有问题站短我

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.       }
    

复制代码

用法：awk -f test.awk book3 book3
我用的是gawk ，估计一般的awk都可以吧，这里没有什么特殊的函数。只有一个split。
我处理的时候，book3的规则是：第一列内若是没单元格的，第一列第二列直接tab隔开，
第一列内有单元格的，第一列内abcd / efgh （空格,/,空格）然后tab隔开然后再第二列。
按照这个规则的文件，这个脚本没问题。取前990行结果如下：
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，我处理过7000多行的文件也是shell ,很快的。
PS：你的附件的991行后数据都有问题。
你给的几个数据我都试过了没问题。