求解，对于大文件应该怎样处理

raoweijian

现在有记录SNP信息的文件，第一列表示染色体，第二列表示在染色体上的位点，第三列表示参考基因组上的碱基，第四列表示该样本的碱基。
这样的文件有三个，表示三个样本。现在需要根据这三个文件，生成genotype文件，第一列表示染色体，第二列表示位点，第三列表示参考基因组上的碱基，后面每列表示一个样本在该位点的碱基。
现在的问题主要是，比如在A样本中，1号染色体第250个位点上有一个SNP，在另外两个样本的SNP文件中，没有记录该位点，现在需要确认是因为该位点与参考基因组相同，还是测序的时候没有测到这个位点，就需要到该样本的baseinfo文件中找到对应的位点，然后看第14列是否为0，如果小于3（很多为0的表示没测到），表示没测到这个点或者结果不可靠，那么在genotype中以“--”表示，如果大于3，则表示结果可靠，测到了该位点，则以实际的碱基记录下来。
现在每个样本的baseinfo文件大约有5G，5000万行左右。
SNP文件有50万行，应该怎么处理这样的情况呢？
如果用hash，则内存占用太大了，完全不能跑完。