Чтобы получить файлы вне репозитория, мне пришлось использовать git ls-files -o
:
$ git ls-files -o
test/outside-1.txt
outside.txt
Вы можете сделать это с помощью Perl
, используя следующий метод:
$ perl -lane '
my($id, $uniq_id, $lower, $upper) = @F;
$h{$id}{$uniq_id}{MIN} = $lower;
$h{$id}{$uniq_id}{MAX} = $upper;
push @{$order{$id}}, $uniq_id;
}{
while(<STDIN>) {
chomp;
my($id, $number) = split;
print join "\t", $id, $number,
join(",", grep { $h{$id}{$_}{MIN} < $number and $h{$id}{$_}{MAX} > $number } @{$order{$id}})
|| qw/NA/;;
}
' data.intervals < data.posiitons
Выход:
1 4 NA
1 19 g1,g2,g3
1 36 NA
1 49 NA
1 90 g6,g7
2 1 NA
2 20 g9
2 89 NA
2 93 g11
2 120 g11
Работы:
%order
хранит порядок, в котором уникальные идентификаторы встречались для целей воспроизведения в том же порядке. OTW, порядок хэшей случайный. grep
должен выбрать уникальные идентификаторы, которые удовлетворяют ограничению числа, находящегося в диапазоне. В противном случае передается "NA"
. Это то, для чего вы могли бы рассмотреть возможность использования небольшой базы данных -, используя, например, csvsql
из csvkit (, который также предоставляет удобную csvformat
утилиту ).
Например, предположим, что ваши данные находятся на вкладке -в отдельных файлах с именами intervals
и positions
и с использованием диалекта по умолчанию sqlite
:
csvsql --tabs --query '
SELECT id,number,group_concat(id_uniq) AS "assigned1"
FROM positions JOIN intervals USING(id)
WHERE number >= numberA AND number <= numberB
GROUP BY id,number ORDER BY id,number
' positions intervals | csvformat --out-tabs
id number assigned1
1 19 g1,g2,g3
1 90 g6,g7
2 20 g9
2 93 g11
2 120 g11
Несколько сложнее получить N/A
записи, :для этого вы можете соединить исходную positions
таблицу с результатами и найти NULL
значения поля assigned1
:
csvsql --tabs --query '
SELECT id,number,IFNULL(assigned1,"NA") assigned1 FROM positions
LEFT JOIN (
SELECT id,number,group_concat(id_uniq) AS "assigned1"
FROM positions JOIN intervals USING(id)
WHERE number >= numberA AND number <= numberB
GROUP BY id,number
) USING(id,number) ORDER BY id,number
' positions intervals | csvformat --out-tabs
id number assigned1
1 4 NA
1 19 g1,g2,g3
1 36 NA
1 49 NA
1 90 g6,g7
2 1 NA
2 20 g9
2 89 NA
2 93 g11
2 120 g11
Предполагая, что оба файла были отсортированы с помощью sort -b
, вы можете составить все возможные комбинации каждой строки в двух файлах с одинаковым идентификатором с помощью
join ranges.txt positions.txt
Для простоты я также игнорирую тот факт, что у файлов есть заголовки (и я рассматриваю возможность их удаления ).
Это дало бы для заданных данных
1 g1 5 20 4
1 g1 5 20 19
1 g1 5 20 36
1 g1 5 20 49
1 g1 5 20 90
1 g2 6 29 4
1 g2 6 29 19
1 g2 6 29 36
[...] (in total 55 lines)
Здесь у вас есть идентификатор, «уникальный идентификатор», два значения диапазона и позиция, которую вы хотите проверить.
Это может быть проанализировано программой awk
:
join ranges.txt positions.txt |
awk '!($1 SUBSEP $5 in count) { count[$1,$5]=0 }
$5 >= $3 && $5 <= $4 && ++count[$1,$5]
END {
for (i in count)
if (count[i] == 0) {
split(i,s,SUBSEP)
print s[1], s[2], "NA"
}
}'
Это позволит отслеживать видимые идентификаторы и позиции в качестве ключей в массиве count
. Значение будет содержать количество раз, когда позиция помещалась в диапазон. Нам нужно это, чтобы иметь возможность сказать «эта позиция не не была найдена ни в одном диапазоне».
Если текущая строка в выводе join
содержит позицию в 5-м поле, которая находится в диапазоне полей 3 и 4, этот счетчик увеличивается (и строка выводится ).
Это выводит все строки в выводе join
, которые соответствуют позициям в пределах диапазонов. Блок END
обрабатывает несопоставленные позиции, перебирая массив count
и распечатывая информацию, которую вы запросили в вопросе, в формате, который вы запрашивали там, когда значение count
равно нулю.
Для заданных данных это дает
1 g1 5 20 19
1 g2 6 29 19
1 g3 17 35 19
1 g6 70 95 90
1 g7 87 93 90
2 g9 10 33 20
2 g11 90 132 93
2 g11 90 132 120
2 89 NA
1 36 NA
1 4 NA
2 1 NA
1 49 NA
Чтобы свернуть эти данные на основе "уникального идентификатора", мы могли бы передать их через другую awk
программу. (Я избегаю сохранения всего этого в массиве в той жеawk
программе, так как это может быть довольно много данных ).
awk '$NF == "NA" { print; next }
{ key = $1 SUBSEP $NF }
key == prev { group = group "," $2; next }
{ if (group != "") print id, pos, group; id = $1; pos = $NF; group = $2; }
END { if (group != "") print id, pos, group }'
Это проходит через любую строку, последний столбец которой NA
, так как они уже имеют правильный формат. Затем он создает «ключ» из идентификатора и позиции. Если этот ключ такой же, как и для предыдущей строки, «уникальный идентификатор» добавляется к строке с именем group
с запятой в качестве разделителя.
Если ключ , а не такой же, как предыдущий, то мы нашли новый набор совпадений позиции ID -и должны вывести данные для группы, которую мы только что проанализировали. Это делается снова в блоке END
для вывода данных для последней группы.
Собрав все это вместе и вспомнив, что оба входных файла должны быть отсортированы, мы получим
join ranges.txt positions.txt |
awk '!($1 SUBSEP $5 in count) { count[$1,$5]=0 }
$5 >= $3 && $5 <= $4 && ++count[$1,$5]
END {
for (i in count)
if (count[i] == 0) {
split(i,s,SUBSEP)
print s[1], s[2], "NA"
}
}' |
awk '$NF == "NA" { print; next }
{ key = $1 SUBSEP $NF }
key == prev { group = group "," $2; next }
{ if (group != "") print id, pos, group
prev = key; id = $1; pos = $NF; group = $2; }
END { if (group != "") print id, pos, group }'
Результатом этого является
1 19 g1,g2,g3
1 90 g6,g7
2 20 g9
2 93 g11
2 89 NA
1 36 NA
1 4 NA
2 1 NA
1 49 NA
2 120 g11
который, за исключением порядка, идентичен тому, что вы ожидали. Чтобы исправить порядок, передайте это через sort -k1,1n -k2,2n
.