一部の不十分に区切られたデータを有用なCSVに操作する

13

次の形式の出力があります。

count  id     type
588    10 |    3
 10    12 |    3
883    14 |    3
 98    17 |    3
 17    18 |    1
77598    18 |    3
10000    21 |    3
17892     2 |    3
20000    23 |    3
 63    27 |    3
  6     3 |    3
 2446    35 |    3
 14    4 |    3
 15     4 |    1
253     4 |    2
19857     4 |    3
 1000     5 |    3
...

これは非常に面倒で、CSVにクリーンアップする必要があるため、プロジェクトマネージャーにスプレッドシートを渡すことができます。

問題の核心はこれです：この出力が必要です：

id、sum_of_type_1、sum_of_type_2、sum_of_type_3

この例はid "4"です：

14    4 |    3
 15     4 |    1
253     4 |    2
19857     4 |    3

代わりに次のようにする必要があります。

4,15,253,19871

残念ながら、私はこの種のことでかなりゴミです、私はすべての行をクリーンアップしてCSVに入れることができましたが、行を重複排除してグループ化することはできませんでした。今私はこれを持っています：

awk 'BEGIN{OFS=",";} {split($line, part, " "); print part[1],part[2],part[4]}' | awk '{ gsub (" ", "", $0); print}'

しかし、それはゴミ文字をクリーンアップし、行を再度印刷するだけです。

上記の出力に行をマッサージする最良の方法は何ですか？

shell-script  text-processing  awk  sed  csv 
— ポール
ソース
カウントを一緒に合計しますか？
— hjk

回答:

12

それを行う方法は、すべてをハッシュに入れることです。

# put values into a hash based on the id and tag
awk 'NR>1{n[$2","$4]+=$1}
END{
    # merge the same ids on the one line
    for(i in n){
        id=i;
        sub(/,.*/,"",id);
        a[id]=a[id]","n[i];
    }
    # print everyhing
    for(i in a){
        print i""a[i];
    }
}'

編集：私の最初の答えは質問に適切に答えませんでした

— 暗い心
ソース
うん、これは非常にうまくやった。ありがとう！唯一のことは、私はIDとは、いくつかの種類が空のため、CSVをめちゃくちゃにされるのを考慮していなかったですが、私は外にその小さなディテールを作業することができます
— ポール・
@ポールNF<4{$4="no_type";}は最初に追加するかもしれませ
— ん-DarkHeart
11

Perlによる救助：

#!/usr/bin/perl
use warnings;
use strict;
use feature qw{ say };

<>;  # Skip the header.

my %sum;
my %types;
while (<>) {
    my ($count, $id, $type) = grep length, split '[\s|]+';
    $sum{$id}{$type} += $count;
    $types{$type} = 1;
}

say join ',', 'id', sort keys %types;
for my $id (sort { $a <=> $b } keys %sum) {
    say join ',', $id, map $_ // q(), @{ $sum{$id} }{ sort keys %types };
}

タイプのテーブルとIDのテーブルの2つのテーブルを保持します。各IDについて、タイプごとの合計が格納されます。

— チョロバ
ソース
5

場合はGNUのdatamashはあなたのためのオプションである、その後、

awk 'NR>1 {print $1, $2, $4}' OFS=, file | datamash -t, -s --filler=0 crosstab 2,3 sum 1
,1,2,3
10,0,0,588
12,0,0,10
14,0,0,883
17,0,0,98
18,17,0,77598
2,0,0,17892
21,0,0,10000
23,0,0,20000
27,0,0,63
3,0,0,6
35,0,0,2446
4,15,253,19871
5,0,0,1000
— スチールドライバー
ソース
4

Python（pandas特にライブラリはこの種の作業に非常に適しています）

data = """count  id     type
588    10 |    3
 10    12 |    3
883    14 |    3
 98    17 |    3
 17    18 |    1
77598    18 |    3
10000    21 |    3
17892     2 |    3
20000    23 |    3
 63    27 |    3
  6     3 |    3
 2446    35 |    3
 14    4 |    3
 15     4 |    1
253     4 |    2
19857     4 |    3
 1000     5 |    3"""

import pandas as pd
from io import StringIO # to read from string, not needed to read from file

df = pd.read_csv(StringIO(data), sep=sep='\s+\|?\s*', index_col=None, engine='python')

これにより、csvデータが pandas DataFrame

    count  id  type
0     588  10     3
1      10  12     3
2     883  14     3
3      98  17     3
4      17  18     1
5   77598  18     3
6   10000  21     3
7   17892   2     3
8   20000  23     3
9      63  27     3
10      6   3     3
11   2446  35     3
12     14   4     3
13     15   4     1
14    253   4     2
15  19857   4     3
16   1000   5     3

次に、このデータをでグループ化しid、列の合計を取得しますcount

df_sum = df.groupby(('type', 'id'))['count'].sum().unstack('type').fillna(0)

unstack 整形、これは列にIDのを移動するために、そしてfillna0と空のフィールドを埋め

df_sum.to_csv()

これは戻ります

id,1,2,3
2,0.0,0.0,17892.0
3,0.0,0.0,6.0
4,15.0,253.0,19871.0
5,0.0,0.0,1000.0
10,0.0,0.0,588.0
12,0.0,0.0,10.0
14,0.0,0.0,883.0
17,0.0,0.0,98.0
18,17.0,0.0,77598.0
21,0.0,0.0,10000.0
23,0.0,0.0,20000.0
27,0.0,0.0,63.0
35,0.0,0.0,2446.0

データフレームに欠落データ（空のIDタイプの組み合わせ）が含まれているため、pandasはintsをfloat（内部動作の制限）に変換します。入力がintのみであることがわかっている場合は、最後から2番目の行をdf_sum = df.groupby(('type', 'id'))['count'].sum().unstack('type').fillna(0).astype(int)

— マールテン・ファブレ
ソース
1
あなたが提供したコードが何をするのかを説明する必要がありますので、この特定の人ではなく、この投稿を見るすべての人に役立ちます。
— ファンドモニカの訴訟
これは明確ですか？セパレーターの正規表現も修正しました
— マールテンファブレ
は、私にはよく見えますよ。説明を追加していただきありがとうございます！
— ファンドモニカの訴訟
3

Perlを使用してCSVファイルをループ処理し、途中で適切なタイプの合計をハッシュに蓄積できます。最後に、すべてのIDについて収集された情報を表示します。

データ構造

%h = (
   ID1    =>  [ sum_of_type1, sum_of_type2, sum_of_type3 ],
   ...
)

これは、以下のコードを理解するのに役立ちます。

Perl

perl -wMstrict -Mvars='*h' -F'\s+|\|' -lane '
   $, = chr 44, next if $. == 1;

   my($count, $id, $type) = grep /./, @F;
   $h{ $id }[ $type-1 ] += $count}{
   print $_, map { $_ || 0 } @{ $h{$_} } for sort { $a <=> $b } keys %h
' yourcsvfile

出力

2,0,0,17892
3,0,0,6
4,15,253,19871
5,0,0,1000
...
1

私の意見は、他とあまり変わらない。配列の配列を持つGNU awkを使用します

gawk '
    NR == 1 {next}
    {count[$2][$4] += $1}
    END {
        for (id in count) {
            printf "%d", id
            for (type=1; type<=3; type++) {
                # add zero to coerce possible empty string into a number 
                printf ",%d", 0 + count[id][type]
            }
            print ""        # adds the newline for this line
        }
    }
' file

出力

2,0,0,17892
3,0,0,6
4,15,253,19871
5,0,0,1000
10,0,0,588
12,0,0,10
14,0,0,883
17,0,0,98
18,17,0,77598
21,0,0,10000
23,0,0,20000
27,0,0,63
35,0,0,2446
— グレン・ジャックマン
ソース
0

このコードを使用して、id列に基づいて値を合計できます。

コードの後に​​awkステートメントを1つ追加しました 

awk 'BEGIN{OFS=",";} {split($line, part, " "); print part[1],part[2],part[4]}' abcd | awk '{ gsub (" ", "", $0); print}' | awk 'BEGIN{FS=OFS=SUBSEP=","}{arr[$2,$3]+=$1;}END{for ( i in arr ) print i,arr[i];}'

これを進めてください...

— プレムジョシ
ソース
弊社のサイトを使用することにより、あなたは弊社のクッキーポリシーおよびプライバシーポリシーを読み、理解したものとみなされます。
Licensed under cc by-sa 3.0 with attribution required.