根据字符串之间的部分匹配合并两个文件答案

【问题标题】：merge two files based on partial match between strings根据字符串之间的部分匹配合并两个文件
【发布时间】：2015-08-20 08:55:08
【问题描述】：

我有两个文件，其中 file1 中的字符串与 file2 最后一列中的字符串部分匹配。我会根据字符串之间的匹配合并这两个文件。当匹配只是部分时，我该如何解决这个问题，这意味着 file1 中的字符串通常是 file2 中的子字符串。 PS：大小写应该忽略。

文件1：

AGTAAGGTCAGCTAAATAAGCTATCGGGCCCATACCCCGAAAATGTTGGTTATATCCTTCCCGTACTA    0   1   2   3
CTTCTATGATGAATTTGATTGCATTGATCGTCTGACATGATAATGTATTT  2   11  14  0
AAAGTGGCCTACGCCACCGCCATGGACTGGTTCATAGCCGTGTGCTATGCCTTC  1   2   3   4
AAAGTGTCATATGCCACTGCCATGGATTGGTTCATAGCTGTTTGCTTTGCATTC  50  1   1   21
TACCCTGTAGAACCGAANTTGT  0   0   1   4
TCCCTGTGGTCTAGTGGTTAGGATTCTGCGCTCTCACCGCCGCGGCCCGGG 1   0   4   3
GGGCCAGGATGAAACCTAATTTGAGTGGCCATCCATGGATGAGAAATGCGG 0   1   3   0

文件2：

chrX    Rfam    ncRNA               55609165    55609267    53.97   +   0   ID=RF00019.20;Name=RF00019;Alias=Y_RNA;Note=AL627224.14/36063-36164 chrX:55609165-55609267  ggctggtttgagtgcagtgatgcttacaactaattgatcacatccaattacagatttctttgctctttctgtactcccagtgcttcacttgactagccttta
chrX    Rfam    regulatory_region   57233087    57233370    53.02   -   0   ID=RF01417.3;Name=RF01417;Alias=RSV_RNA;Note=Z83745.1/45303-45021 chrX:57233087-57233370    gtaaatgcaaaccattcacagtcttgctcagctaaggggatagtaaagaaacagtcttttaaatcaatgactattaaaggccaatttcttggaatcatagcaggagaaggcagtcctggctgcaatgtccccataggttgtataactgaattaatggctcttaagtcagttaacattctccatttacctgattttttcttaattacaaaaactggagaatttcaaggggaaaatattggaactatgtgtcctttttctaattgttcagtaactaagtcctcta
chrX    Rfam    regulatory_region   61975961    61976233    45.45   -   0   ID=RF01417.4;Name=RF01417;Alias=RSV_RNA;Note=BX322784.3/89124-88853 chrX:61975961-61976233  AAAGTGTCATATGCCACTGCCATGGATTGGTTCATAGCTGTTTGCTTTGCATTC
chrX    Rfam    ncRNA               62059095    62059167    29.9    +   0   ID=RF00005.18;Name=RF00005;Alias=tRNA;Note=BX119964.4/4840-4911 chrX:62059095-62059167  GTTAATGTAGCTTAATTCATCAAAGCAAGGCACTGAAAAATGCCTAGATGAATACACATGATTCCATTAACA
chrX    Rfam    regulatory_region   62582448    62582735    62.81   -   0   ID=RF01417.5;Name=RF01417;Alias=RSV_RNA;Note=AL158203.12/36753-36467 chrX:62582448-62582735 gtaaacacaaatttttctctgtccttctctgctagatgaatggtataaaaacaatctttaagtcaacaacgattataggccaatcttcaggaattgccacaggggaggggaggacctgttgaagagaccccataggttgcaaattagcattaatagcagttaagtagtgcaaaagtctccatttaccagactttttgggaatgacgaaaatgggcgaattccaaaggctgtttgatggttctatatggccagctttcaattgctcctcaactaattcatgggctctc
chrX    Rfam    ncRNA               63430570    63430868    141.38  +   0   ID=RF00017.15;Name=RF00017;Alias=Metazoa_SRP;Note=AL355852.23/124872-125169 chrX:63430570-63430868  cctggggcagtggcacatgcctgtagtcccagctacttgggaggctgaagcaggaggatagcttaagttcaggagttctgggatgtaatgcactatgctgatagggtgtctgcactaagttcagcatcaacatggtgacctcccaggagcaggggaccaccaggctgcctaaggaggtatgaactggccgagatcagaaacggagcacataaaaacttgcatcttgatcagtagtgggattgcgcctacaaatagccactgcactgcagactgggcaacatagtgagaccttgtctct

【问题讨论】：

标签： regex r

【解决方案1】：

如果您的文件不是很大，并且 awk 能够在内存中保存所有 file2，您可以这样做：

awk  '
ARGIND==1 { save[tolower($NF)] = $0 }
ARGIND==2 { col1 = tolower($1)
     for(pat in save){
      if(pat ~ col1)print $0 " ----- " save[pat]
     }
   }

' file2 file1

这首先读取 file2 并将每一行 ($0) 保存在关联数组 save 中，由转换为小写的最后一个字段 ($NF) 索引。

然后它读取 file1（因此 ARGIND 是 2，第二个文件），并将第 1 列转换为小写。然后它尝试将这个字符串（或真正的模式）与数组中的每个索引进行匹配（~）。如果匹配，则打印 file1 中的当前行和 file2 中保存的行。

【讨论】：

您的示例数据均不匹配。提供一些其他数据。
是否需要全匹配？
没有。就像你说的，“file1 中的字符串 ... 是 file2 中的字符串的子字符串”。