33.《Bioinformatics Data Skills》之

数据分析中，我们经常需要根据某一列的信息来融合多个文本。达到这个目的的方法有很多，这里介绍一下通过命令行join进行的做法。

假如说我们有两个文件example.bed与example_lengths.txt（如下），前者包括了染色体与起始位点信息，后者包括了染色体长度信息，我们想要根据染色体编号来合并两个文本。

$ cat example.bed
chr1    26      39
chr1    32      47
chr3    11      28
chr1    40      49
chr3    16      27
chr1    9       28
chr2    35      54
chr1    10      19

$ cat example_lengths.txt
chr1    58352
chr2    39521
chr3    24859

1. 在合并文本之前，一个关键的步骤是将文本排序（或者通过-c确定文本是否已经排序完毕，见sort）：

$ sort -k1,1 example.bed > example_sorted.bed
$ sort -c -k1,1 example_lengths.txt;echo $?
0

2. 通过命令join -1 <第一个文件的第a列> -2 <第二个文件的第b列> <第一个文件名> <第二个文件名>来合并两个文本：

$ join -1 1 -2 1 example_sorted.bed example_lengths.txt > example_with_lengthes.txt
cat example_with_lengthes.txt
chr1 10 19 58352
chr1 26 39 58352
chr1 32 47 58352
chr1 40 49 58352
chr1 9 28 58352
chr2 35 54 39521
chr3 11 28 24859
chr3 16 27 24859

以上已经达到了合并文本的目的，不过有一个关键点需要注意：

因为两个文件都包含了相同的染色体编号，join前后第一个文件行数是不变的（如下）。

$ wc -l example_sorted.bed example_with_lengthes.txt
  8 example_sorted.bed
  8 example_with_lengthes.txt
 16 total

不过如果第二个文件里只包括2条染色体长度信息的话，结果怎样呢？（如下）

$ head -n2 example_lengths.txt > example_lengths_alt.txt
$ join -1 1 -2 1 example_sorted.bed example_lengths_alt.txt
chr1 10 19 58352
chr1 26 39 58352
chr1 32 47 58352
chr1 40 49 58352
chr1 9 28 58352
chr2 35 54 39521

可以看到，合并后的文本凡是涉及3号染色体的行都被去掉了（取了两个文件的交集）。如果我们想要保留某个文件未匹配的列的话，可以指定参数-a <文件号>（根据文件位置指定1或者2），例如：

$ join -1 1 -2 1 -a 1 example_sorted.bed example_lengths_alt.txt
chr1 10 19 58352
chr1 26 39 58352
chr1 32 47 58352
chr1 40 49 58352
chr1 9 28 58352
chr2 35 54 39521
chr3 11 28
chr3 16 27

可见第一个文件的染色体编号列都被保留了，未匹配到长度的行以空白填充。