如何使这个 AWK 数组匹配明确？

Question

我有大型数据表（~10M 行和~4M 行），我想在[$1,$2] 上进行数组匹配。这两个字段都是数字，如本例所示，从 4M 文件 1 的开头到 10M 行文件 2 的开头：

$ head -5 pantro2-hg19-liftover.frq 
1   868476  A:0.388889
1   868841  A:0.666667
1   873398  A:0.555556
1   879624  A:0.05
1   879821  A:0.0625
$ head -5 tot_YRI10.frq 
CHROM   POS N_ALLELES   N_CHR   {ALLELE:FREQ}
1   30923   2   20  T:0.35  G:0.65
1   52238   2   20  G:0.55  T:0.45
1   54676   2   20  T:0.05  C:0.95
1   55164   2   20  A:0.55  C:0.45

不幸的是，如果[$1,$2] 的一部分与文件 2 中的$1,$2 匹配，则 AWK 似乎会进行模棱两可的匹配。当我使用以下命令时，会返回文件 2 的所有 10M 行：

$ awk 'NR==FNR{YRI[$1,$2];next} $1,$2 in YRI {print $1,$2,$NF}' 
pantro2-hg19-liftover.frq tot_YRI10.frq | 
head -5
CHROM POS {ALLELE:FREQ}
1 30923 G:0.65
1 52238 T:0.45
1 54676 C:0.95
1 55164 C:0.45

我想要的输出是在第 1 列和第 2 列上匹配 file1 的 file2 行。其中应该只有大约 15K 匹配项。我不确定在这种情况下，数组匹配是不明确的。

Answer 1

您应该使用$1,$2，而不是$1$2，作为数组索引。

您使用$1,$2 in YRI 作为条件。将其更改为 ($1,$2) in YRI。

x,y 是用于指定在 true 之间打印的条件范围的语法（通常是 /start/,/end/ 之类的语句），而 (x,y) 是用于创建与 in 运算符一起使用的数组索引的语法。

当您编写$1,$2 in YRI 时，您正在编写($1),($2 in YRI)，它告诉awk 从$1 非零/空的第一行开始打印（它可能位于文件的第一行）到$2 in YRI 为真的那一行（可能永远不会是这样），所以你打印整个文件。