解析 csv 文件以根据列值中匹配的字符集过滤行

Question 1

我编写了一个小awk函数来查找两个字符串之间的共同起始字符：

awk '
BEGIN{OFS=FS=","}
function common_chars(a,b, o){
    split(a,asplit,"")
    split(b,bsplit,"")
    n=1
    while (asplit[n]==bsplit[n]){
        o=o""asplit[n]
        n++
    }
    return o
}
s[$1] {v[$1]=common_chars(v[$1],$2)}
!s[$1] {v[$1]=$2;s[$1]=1 }
END {for(a in v){print a,v[a]}}
' file

如果$1没有见过（状态保存在s[$1]），则保存$2在 array 中v[$1]=$2。如果已看到，请v[$1]在其自身和之间设置函数的返回值$2。该函数只是对单个字符运行 while 循环，直到发现第一个字符不匹配。

对于C,404并且C,304它将打印C,

输出：

A,3300   
B,844
C,
M,55

Answer

我编写了一个小awk函数来查找两个字符串之间的共同起始字符：

awk '
BEGIN{OFS=FS=","}
function common_chars(a,b, o){
    split(a,asplit,"")
    split(b,bsplit,"")
    n=1
    while (asplit[n]==bsplit[n]){
        o=o""asplit[n]
        n++
    }
    return o
}
s[$1] {v[$1]=common_chars(v[$1],$2)}
!s[$1] {v[$1]=$2;s[$1]=1 }
END {for(a in v){print a,v[a]}}
' file

如果$1没有见过（状态保存在s[$1]），则保存$2在 array 中v[$1]=$2。如果已看到，请v[$1]在其自身和之间设置函数的返回值$2。该函数只是对单个字符运行 while 循环，直到发现第一个字符不匹配。

对于C,404并且C,304它将打印C,

输出：

A,3300   
B,844
C,
M,55

Question 2

对于 60,000 行来说，这可能会有点慢，但似乎可行。做不是在这里加上引号$line！

我仍然有一种奇怪的感觉，认为该脚本中的某处存在错误，这会显示更多的数据需要处理......

$ sort -u testfile | datamash -t, -g1 collapse 2  \
| tr ',' ' ' | while read line ; do ./my_filter $line ; done
A,3300
B,844
C,304
C,404
M,55

预处理数据datamash并获取排序后的数据，我可以my_filter逐行输入：

$ sort -u testfile | datamash -t, -g1 collapse 2 
A,3300
B,8440,8443,8444
C,304,404
M,5502,5511

现在是my_filter：

$ cat my_filter
#!/bin/bash
_longest_match () {
  if ((${#1}>${#2})); then
    long="$1" short="$2"
  else
    long="$2" short="$1"
  fi

  lshort=${#short}
  score=0
  for ((l=score+1;l<=lshort;++l)); do
    sub="${short:0:l}"

    [[ $long != $sub* ]] && break
    subfound="$sub" score="$l"
  done

  if ((score)); then
    printf '%s\n' "$subfound"
  fi
} # ----------  end of function _longest_match  ----------


_output () {
  for item in $(echo "$@"|tr ' ' '\n' | sort -u) ; do
    printf '%s,%s\n' "$key" "$item"
  done
} # ----------  end of function _output  ----------

declare -A matches
declare -A no_matches

key=$1
shift

for item in $( printf '%s\n' "$@"| sort -nr ); do
  if [ -z "$one" ]; then
    one=$1
    two=${2:-$1}
    shift 2
  else
    two=$1
    shift
  fi

  three=$(_longest_match $one $two)

  [ ${#three} -gt 0 ] && matches[$key]+="$three " || no_matches[$key]+="$one $two "
  [ ${#three} -gt 0 ] && one="$three" || one="$two"
done

  _output "${matches[@]} ${no_matches[@]}" | sort -u

_longest_match找到了一些灵感https://stackoverflow.com/a/23297950

我在测试文件中使用双重条目做了一些额外的测试：

$ cat testfile.new 
A,3300
B,8440
B,8440
U,3
U,7
U,7
U,73
B,8440
B,8443
B,8444
B,976
C,304
C,404
M,5502
M,5511

结果是：

$ sort -u testfile | datamash -t, -g1 collapse 2  \
| tr ',' ' ' | while read line ; do ./my_filter $line ; done
A,3300
B,844
B,976
C,304
C,404
M,55
U,3
U,7

这看起来像您预期的结果吗？

Answer