R - 如何在循环中使用此条件($1==col2[$1])&&($2>=col2[$2])&&($3<=col2[$3])来比较两个文件前三列

Question

我有两组基因组坐标。问题是file1的范围很小，当我与file2比较时，它可以有多个重叠。所以我想选一个尽可能接近的。问题是file1的第一行(假设您有许多行)可以包含file2的第一行和第二行。如何在循环中使用此条件($1==col2[$1])&&(在2美元= col2[2]美元),,($3<=col2[$3])所以我只能取file2的第二行

file_2

1   1400158 1400608 +   ENSE00003459370 
1   1400158 1400544 +   ENSE00003542737
1   2515258 2515401 -   ENSE00001912971
1   11025110    11025203    +   ENSE00003713710
1   13892792    13893756    +   ENSE00003793480
1   15328277    15328429    +   ENSE00003788031
1   15329346    15329541    +   ENSE00003484579
1   15247280    15247395    +   ENSE00002149103

我有file1

1   1400473 1400544 +

期望输出

1   1400158 1400544 +   ENSE00003542737

我试过了

awk 'NR==FNR { id[$1]=$1; id1[$2]=$2; id2[$3]=$3; next } ($1 == id && $2 >= id1 && $3 <= id2) { print $0"t"id[$1]"t"id1[$2]"t"id2[$3]}' file1.txt file2.txt

但是我没有得到输出。我不知道我做错了什么

Answer 1

这里有很多缺失的信息/混乱，例如，每个文件的行大小可能很重要，而且您明确要求的内容不太可能是您实际需要的，因为它没有包含任何对file1的引用，这表明为什么保留file2的结果。

但是猜测一些可能接近你要找的东西…

#! /usr/bin/awk -f 

NR==FNR && !/^$/{                    # collect all file1 (no ens_id)
n = NR;
ch[n] = $1;
lo[n] = $2;
hi[n] = $3;
# sense[n] = $4;                # could check direction as well
} 
NR!=FNR && !/^$/ {                  # each item file2
i=last_hit;
while(i++ < n){                 # each item in file1
#  *** assume lo strictly before hi

if(($1 != ch[i]) || ($2 > hi[i]) || ($3<lo[i]) ){   # no chance
last_hit = i-1;                             # retry with next                       
next
}
else {                                              # plausible 
if( ($2<=lo[i]) && ($3>=hi[i]) ){               # contained?
print;                                      # hit
last_hit = i-1;                             # in case dup hits
}
}  
}
}

有很多错误，但基本上你想知道;
如果你有一个区间(file1)包含在一个来自file2的命名区间中，大概是因为你想知道来自file1的区间的引用名称。

重要的部分不在于找到匹配时选择打印什么，
您可以修复
，而在于如何在考虑第二个文件中的每一行时反复遍历第一个文件。

last_hit是一个(不成熟的)优化，它取决于在文件中排序的间隔，它应该允许更少的file1在您执行file2时被重新访问。