如何基于一条共同的线连接线？

Question

我有一个制表符分隔的文件，如下所示：

4S2P_1:A    4S2P_1:A
4S2P_1:A    6PXX_1:A
4S2P_1:A    6HB8_1:A
4S2P_1:A    6HOO_1:A
4S2P_1:A    6I5D_1:A
4S2R_1:A    4S2R_1:A
4S2C_1:A    4S2C_1:A
4S2C_1:A    4S2B_1:A
4S2E_1:A    4S2E_1:A
4S2E_1:A    5XB5_1:A
4S2E_1:A    5XBH_1:A

创建文件后，第二列中的序列与第一列中的序列相似。 4S2P_1:A 与自身相似，6Q5B_1:A 和 6PXX_1:A 和 6HB8_1:A 等等。 4S2R_1:A 与自身相似。

我想将文件解析为如下所示：

4S2P_1:A 6PXX_1:A 6HB8_1:A 6HOO_1:A 6I5D_1:A
4S2E_1:A 5XB5_1:A 5XBH_1:A
4S2C_1:A 4S2B_1:A
4S2R_1:A

所以我希望输出的第一列和链接到它的列在一行上用空格隔开，并使形成的簇按降序排列。

我想使用 awk 来执行此操作。

我试过用这个：

awk -F '\t' '{print $1*" "$2}' 

但它给了我这个输出：

04S2P_1:A
05DTT_1:A
07ASS_1:A
07AUX_1:A
05HAQ_1:A
05HAP_1:A
05HAR_1:A

它在开头添加一个 0，并且不会将相似的序列保持在同一行。

Answer 1

通常使用哈希来使列表唯一。

#! /bin/bash

declare -A hash

while read -r c1 c2; do
  hash[$c1]+=$'\t'"$c2"
done

for key in "${!hash[@]}"; do
  printf '%s%s\n' "$key" "${hash[$key]}"
done

缺点是，你失去了原来的排序顺序。但在我看来，您并不关心原始订单。如果您想按每行的长度对输出进行排序，您可以选择question 的答案之一。

Answer 2

这是一个简单的 Awk 脚本，用于将具有相同键的值提升到同一行。

awk '$1 != prev { if(prev) printf "\n";
     prev=$1; printf "%s", $2; next }
   { printf " %s", $2 }
  END { if (prev) printf "\n" }' file

要按每条记录的长度排序，您需要在阅读时将内容保存在内存中。上面的内容因其简单性和健壮性而吸引人（应该适用于任何大小的文件），但我们可以让在每行前面打印一个排序键的过程更加复杂，代价是需要将每条完整的记录保存在记忆直到我们知道它的长度。

awk 'function pr () { printf "%i\t", n; printf "%s", a[1];
    for(i=2; i<=n; ++i) printf " %s", a[i];
    printf "\n"; delete a; n=0 }
  $1 != prev { if (prev) pr(); prev=$1; a[1]=$2; n=1; next }
  { a[++n] = $2 }
  END { if (n) pr() }' file |
sort -t $'\t' -k1rn |
cut -f2-