☰

使用 bash 或 shell 对 csv 文件进行 SQL 操作

tag-icon • tag-icon bash shell-script text-processing sql
使用 bash 或 shell 对 csv 文件进行 SQL 操作

这是我的输入文件

0164318,001449,001452,001922  
0164318,001456,001457,001922  
0842179,002115,002118,001485  
0846354,001512,001513,001590  
0841422,001221,001224,001860  
0841422,001227,001228,001860

我希望我的结果为

0164318,001449,001457,001922  
0842179,002115,002118,001485  
0846354,001512,001513,001590  
0841422,001221,001228,001860


使用 col1 进行分组并通过 shell 脚本查找 min(col2) 和 max(col3) 。

答案1

使用csvkit,

$ csvsql -H --query 'SELECT a,min(b),max(c),d FROM file GROUP BY a' file.csv
a,min(b),max(c),d
164318,1449,1457,1922
841422,1221,1228,1860
842179,2115,2118,1485
846354,1512,1513,1590

这会将 CSV 数据加载到临时数据库（我相信默认情况下是 SQLite），然后对其应用给定的 SQL 查询。默认情况下，该表与输入文件具有相同的名称（无后缀），并且由于数据缺少列标题，因此默认字段名称将按字母顺序排列。

该-H选项表明csvsql数据没有列标题。

要删除输出中生成的标头，请通过类似sed '1d'.

要获取零填充的整数：

$ csvsql -H --query 'SELECT printf("%07d,%06d,%06d,%06d",a,min(b),max(c),d) FROM file GROUP BY a' file.csv
"printf(""%07d,%06d,%06d,%06d"",a,min(b),max(c),d)"
"0164318,001449,001457,001922"
"0841422,001221,001228,001860"
"0842179,002115,002118,001485"
"0846354,001512,001513,001590"

在这里，这些行被引用，因为我们实际上只为每个结果记录请求一个输出字段（并且它包含逗号）。另一种方法是，需要更多的输入，但不会生成额外的双引号：

$ csvsql -H --query 'SELECT printf("%07d",a),printf("%06d",min(b)),printf("%06d",max(c)),printf("%06d",d) FROM file GROUP BY a' file.csv
"printf(""%07d"",a)","printf(""%06d"",min(b))","printf(""%06d"",max(c))","printf(""%06d"",d)"
0164318,001449,001457,001922
0841422,001221,001228,001860
0842179,002115,002118,001485
0846354,001512,001513,001590

同样，可以通过将结果通过管道来删除输出标头sed '1d'。

答案2

使用csvkit:

csvsql -H --query "select a,min(b),max(c),d from file group by a,d" file.csv

请注意，这将截断前导 0。

输出：

a,min(b),max(c),d
164318,1449,1457,1922
841422,1221,1228,1860
842179,2115,2118,1485
846354,1512,1513,1590

答案3

与米勒（http://johnkerl.org/miller/doc）， 使用

mlr --ocsv --quote-all --inidx --ifs , cat inputFile | \
mlr --ocsv --quote-none  --icsvlite stats1 -g '"1"' -a min,max,min -f '"2","3","4"' \
then cut -f '"1","2"_min,"3"_max,"4"_min' \
then label id,col2,col3,col4 | sed 's/"//g'

你有

id,col2,col3,col4
0164318,001449,001457,001922
0842179,002115,002118,001485
0846354,001512,001513,001590
0841422,001221,001228,001860

答案4

您可以将 SQL 分解为基本的过程操作，并在 shell 脚本中复制它们。

这当然不是一个好主意，因为声明性语言（如 SQL）的优点之一是它们向开发人员隐藏了过程实现的冗长和复杂性，使他们能够专注于数据。 （优化是声明性语言的第二个巨大优势，如果您使用过程程序复制它们，则该优势就会消失）。
另外，这种方法是有问题的，因为在 shell 循环中处理文本通常被认为是不好的做法。

然而，这里是一个 shell 脚本的示例，它利用了许多系统上预安装的标准实用程序（数组构造除外 - POSIX 中未指定，但广泛可用，并且肯定可以使用，因为您正在询问bash） :

#!/bin/bash

# The input file will be passed as the first argument
file="$1"

# For each input line:
# We take only the values of the first field, sort them, remove duplicates
for i in $(cut -d ',' -f 1 "$file" | sort -n -u); do

    # Resetting the array is not really needed; we do it for safety
    out=()

    # The first field of the output row is the key of the loop
    out[0]="$i"

    # We only consider the rows whose first field is equal
    # to the current key (grep) and...

    # ... we sort the values of the second field
    # in ascending order and take only the first one
    out[1]="$(grep "^${out[0]}" "$file" | cut -d ',' -f 2 | sort -n | head -n 1)"

    # ... we sort the values of the third field in
    # ascending order and take only the last one
    out[2]="$(grep "^${out[0]}" "$file" | cut -d ',' -f 3 | sort -n | tail -n 1)"

    # ... we sort the values of the fourth field in
    # ascending order and take only the first one
    out[3]="$(grep "^${out[0]}" "$file" | cut -d ',' -f 4 | sort -n | head -n 1)"

    # Finally we print out the output, separating fields with ','
    printf '%s,%s,%s,%s\n' "${out[@]}"

done

它应该被调用为

./script file

该脚本相当于

SELECT col1, MIN(col2), MAX(col3), MIN(col4)
FROM text
GROUP BY col1
ORDER BY col1

相关内容