对重叠区间交集进行合并处理

huang6894

这个问题纠结一晚了，一直得不到解决，各位大大有好的建议吗？

如果我想处理下面的文本,已知第二第三列为其起始终止坐标,当他们第五列相同时比较他们的第二第三列,如果坐标区间有重叠,则合并之并取其最小的起始坐标和最大的终止坐标,对处理后的数据进行排序,在第五列字符串后加上号码.

我的输入数据：

1. refseq1 860921  861380  +       NM_152486       SAMD11
   
2. refseq1 861102  861593  +       NM_152486       SAMD11
   
3. refseq1 865335  865916  +       NM_152486       SAMD11
   
4. refseq1 866219  866669  +       NM_152486       SAMD11
   
5. refseq1 870952  871476  +       NM_152486       SAMD11
   
6. refseq1 874220  874709  +       NM_152486       SAMD11
   
7. refseq1 874455  875040  +       NM_152486       SAMD11
   
8. refseq1 876324  876886  +       NM_152486       SAMD11
   
9. refseq1 877316  877831  +       NM_152486       SAMD11
   
10. refseq1 877590  878068  +       NM_152486       SAMD11
    
11. refseq1 877739  878638  +       NM_152486       SAMD11
    
12. refseq1 878433  878957  +       NM_152486       SAMD11
    
13. refseq1 878878  879388  +       NM_152486       SAMD11
    
14. refseq1 879088  880161  +       NM_152486       SAMD11
    
15. refseq1 935046  935752  -       NM_021170       HES4
    
16. refseq1 934872  935367  -       NM_021170       HES4
    
17. refseq1 934706  935193  -       NM_021170       HES4
    
18. refseq1 934142  935012  -       NM_021170       HES4
    
19. refseq2 287813  288508  -       NM_001002919    FAM150B
    
20. refseq2 287383  288092  -       NM_001002919    FAM150B
    
21. refseq2 286090  286543  -       NM_001002919    FAM150B
    
22. refseq2 285923  286403  -       NM_001002919    FAM150B
    
23. refseq2 282911  283375  -       NM_001002919    FAM150B
    
24. refseq2 279363  280352  -       NM_001002919    FAM150B

复制代码

理论上应该得到的数据：

1. >NM_152486_E1   SAMD11  refseq1 +       860921  861593  
   
2. >NM_152486_E2   SAMD11  refseq1 +       865335  865916  
   
3. >NM_152486_E3   SAMD11  refseq1 +       866219  866669  
   
4. >NM_152486_E4   SAMD11  refseq1 +       870952  871476  
   
5. >NM_152486_E5   SAMD11  refseq1 +       874220  875040  
   
6. >NM_152486_E6   SAMD11  refseq1 +       876324  876886  
   
7. >NM_152486_E7   SAMD11  refseq1 +       877316  878068  
   
8. >NM_152486_E8   SAMD11  refseq1 +       878878  880161  
   
9. >NM_001002919_E1        FAM150B refseq2 -       279363  280352  
   
10. >NM_001002919_E2        FAM150B refseq2 -       282911  283375  
    
11. >NM_001002919_E3        FAM150B refseq2 -       285923  286543  
    
12. >NM_001002919_E4        FAM150B refseq2 -       287383  288508  
    
13. >NM_021170_E1   HES4    refseq1 -       934142  935193  934342  
    

复制代码

reyleon

你这个结果是不是不对？

就拿这行来说，

>NM_152486_E7   SAMD11  refseq1 +       877316  878068

-------------

refseq1 877316  877831  +       NM_152486       SAMD11
refseq1 877590  878068  +       NM_152486       SAMD11
refseq1 877739  878638  +       NM_152486       SAMD11
refseq1 878433  878957  +       NM_152486       SAMD11

877590  878068
与
877739  878638
不是有重叠部分么？ 何以到878068就结束了？

expert1

假如数据没规律这个awk很难实现的。

思路：

先针对$2,$3排序，而且$2/$3必须要升序或者降序。


NR==1的时候m=$2,n=$3,t=$5

NR>1

判断$5是否相同，假如是yes

分3种情况判断第一行的$2/$3是否重合：

1）

2 3
1  4

完全重合，则合并为1 4

2)

1 3
2 5
合并为1 5

3）

1 4
2 5

合并为 1 5


假如都不符合这3个，直接打印 $2,$3和你要的结果。
最终的结果可能顺序和你给的顺序不一致。因为经过了排序和awk加工处理。

expert1

其实你给的数据都是干扰别人观看的，直接列出$2/$3/$5,然后把模型简化一下可能更易懂一些。

huang6894

回复 2# reyleon


    是的。。。不好意思

huang6894

回复 4# expert1


    对不起，给大大们添麻烦了

huang6894

回复 3# expert1


    我也是这么想的，可是实现起来好难{:3_201:}

jason680

回复 1# huang6894

Would you like this ...

# awk '{k=sprintf("%s_%020d",$5,$2);for(n=0;n++<6;)a[k,n]=$n;c[k]}END{$5="";t=asorti(c,s);for(n=0;n++<t+1;){N=s[n];if($5==a[N,5]&&$3+1>=a[N,2])a[N,2]=$2;else if($5)print ">"$5"_E"++C,$6,$1,$4,$2,$3;if($5!=a[N,5])C=0;for(m=0;m++<6;)$m=a[N,m]}}' FILE
>NM_001002919_E1 FAM150B refseq2 - 279363 280352
>NM_001002919_E2 FAM150B refseq2 - 282911 283375
>NM_001002919_E3 FAM150B refseq2 - 285923 286543
>NM_001002919_E4 FAM150B refseq2 - 287383 288508
>NM_021170_E1 HES4 refseq1 - 934142 935752
>NM_152486_E1 SAMD11 refseq1 + 860921 861593
>NM_152486_E2 SAMD11 refseq1 + 865335 865916
>NM_152486_E3 SAMD11 refseq1 + 866219 866669
>NM_152486_E4 SAMD11 refseq1 + 870952 871476
>NM_152486_E5 SAMD11 refseq1 + 874220 875040
>NM_152486_E6 SAMD11 refseq1 + 876324 876886
>NM_152486_E7 SAMD11 refseq1 + 877316 880161

   

expert1

回复 7# huang6894


    实现起来不难的，伪代码

前提你排好序，第5行相同的都挨在一起，而且$2/$3是升序。

awk 'NR==1{m=$2;n=$3;t=$5;next}{

    # 判断
     if($5==t){

    # 我说的那3种情况逐个比较，假如3个中任意1个成立，那么打印对应的值（起始值），然后赋值m=$2;n=$3;t=$5；假如没一个成立，直接打印起始值，然后赋值

     }else {

  # 打印$5不相等的。

}

huang6894

回复 8# jason680


    非常感谢！你帮了我大忙啊！！！