Манипулировать некоторыми плохо разделенными данными в полезном CSV

13

У меня есть некоторые выходные данные в виде:

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
...

Который довольно грязный и должен быть очищен до CSV, так что я могу подарить его менеджеру проекта для него, черт возьми, из таблицы.

Суть проблемы заключается в следующем: мне нужно, чтобы это было:

id, sum_of_type_1, sum_of_type_2, sum_of_type_3

Примером этого является id "4":

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

Это должно быть вместо:

4,15,253,19871

К сожалению, я такой мусор в таких вещах, мне удалось очистить все строки в CSV, но я не смог дедуплицировать и сгруппировать строки. Прямо сейчас у меня есть это:

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

Но все, что нужно, это очистить мусорные символы и снова напечатать строки.

Каков наилучший способ массирования строк в вышеупомянутый вывод?

Павел
источник
Вы даже хотите сложить счет?
HJK

Ответы:

12

Способ сделать это - поместить все в хеш.

# 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];
    }
}'

редактировать: мой первый ответ не ответил на вопрос должным образом

Темное сердце
источник
Да, это хорошо сработало. Благодарность! Единственное, что я не учел, что некоторые типы из идентификаторов были пустыми и, таким образом, испортили CSV, но я могу проработать эту небольшую деталь
Paul
@Paul Может быть добавить NF<4{$4="no_type";}в начале
DarkHeart
11

Perl на помощь:

#!/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 };
}

Он хранит две таблицы, таблицу типов и таблицу идентификаторов. Для каждого идентификатора хранится сумма для каждого типа.

choroba
источник
5

Если GNU datamash является вариантом для вас, то

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
steeldriver
источник
4

Python (и pandasбиблиотека, в частности, очень подходит для такой работы

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')

Это читает данные CSV в 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

Затем мы группируем эти данные idи берем сумму столбцаcount

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

unstack Перестраивает это , чтобы переместить идентификаторы к колоннам, и fillnaзаполняет пустые поля с 0 '

df_sum.to_csv()

Это возвращает

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

Поскольку информационный фрейм содержит отсутствующие данные (пустые комбинации типа id), pandas преобразует ints в float(ограничение внутренних обработок). Если вы знаете, что входные данные будут только int, вы можете изменить следующую или последнюю строку наdf_sum = df.groupby(('type', 'id'))['count'].sum().unstack('type').fillna(0).astype(int)

Мартен Фабре
источник
1
Вы должны объяснить, что делает предоставленный вами код, чтобы он был полезен всем, кто видит этот пост, а не одному конкретному человеку.
Фонд Моники иск
Это понятнее? Я также исправил регулярное выражение для разделителя
Maarten Fabré
Выглядит хорошо для меня. Спасибо за добавление объяснения!
Фонд Моника иск
3

Вы можете использовать Perl для циклического перемещения по CSV-файлу и накапливания суммы соответствующих типов в хэше, находясь в пути. И, наконец, отобразить информацию, собранную для каждого идентификатора.

Структура данных

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

Это помогает понять код ниже:

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

Выход

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

источник
1

мой дубль, не слишком отличающийся от других. Использует GNU awk, который имеет массивы массивов

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

выходы

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
Гленн Джекман
источник
0

Вы можете использовать этот код для суммирования значений на основе вашего столбца id,

Я добавил один оператор awk после вашего кода

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];}'

Вперед с этим ...

Прем Джоши
источник