我正在编写一个 bash 脚本,该过程的一部分需要将 csv 文件拼凑在一起,同时保留列的完整性;例如我有两个格式如下的文件:
F1
ID,MD,L1,L2,L3,GD,L4
12,OB,AA,PP,AA,TT,AA
15,OB,PP,PP,PP,TT,AA
F2
ID,MD,L7,L8,L9,L10,GD
13,OB,PP,AA,AA,AA,AA
15,OB,PP,PP,PP,AA,AA
输出如下所示,其中不匹配的 ID 返回值 NM,重复列(在本例中为“GD”)根据每个文件的值显示:
ID,MD,L1,L2,L3,GD,L4,L7,L8,L9,L10,GD
12,OB,AA,PP,AA,TT,AA,NM,NM,NM,NM,NM
13,NM,NM,NM,NM,NM,NM,PP,AA,AA,AA,AA
15,OB,PP,PP,PP,TT,AA,PP,PP,PP,AA,AA
我一直在努力join
工作,因为它看起来很有前途,即
join -t, -eNM -a1 -a2 -o 0,1.2,1.3,1.4,1.5,1.6,1.7,1.8,2.3,... F1 F2
但我遇到了一些问题。
如果我使用该
-o
选项,则假定我知道每个文件的确切列数,而这些列数是独立变化的。结果中出现错误:
join: REPORT_2|15-10-2019|15:39:25.csv:5: is not sorted: 04181646
如果有其他替代方案,join
我愿意接受建议。谢谢。
答案1
您可以使用 shell 脚本来创建必要的-o
选项并对输入文件的数据进行排序。
这假设第二个字段MD
存在于两个输入文件中,并且仅在输出中打印一次(在第二个文件的选项中跳过)。
#!/bin/bash
opts="0,"
# file1: get number of columms - 1 from the first line
numcols=$(awk -F',' '(NR==1) {print NF-1}' "$1")
# file1: add options
for i in $(seq "$numcols"); do
opts+=$(printf '1.%s,' "$((i+1))")
done
# file2: get number of columms - 2 from the first line
numcols=$(awk -F',' '(NR==1) {print NF-2}' "$2")
# file2: add options
for i in $(seq "$numcols"); do
opts+=$(printf '2.%s,' "$((i+2))")
done
opts=${opts:0:-1} # remove the last `,`
join -t, --header -eNM -a1 -a2 -o "$opts"\
<(head -n1 "$1"; tail -n+2 "$1" | sort -nk1,1)\
<(head -n1 "$2"; tail -n+2 "$2" | sort -nk1,1)
我添加了--header
将第一行视为标题行的选项。用于<(head -n1 "$1"; tail -n+2 "$1" | sort -nk1,1)
打印标题行并按第一个字段对其余行进行数字排序。
使脚本可执行
chmod +x join.sh
并将其运行为
./join.sh file1 file2
答案2
使用米勒(https://github.com/johnkerl/miller),你可以运行
mlr --csv join -u --ul --ur -j ID -f input_01.csv \
then unsparsify \
then put -S 'for (k in $*) { if ($[k] =~ "^$") { $[k]="NM" }}' \
input_02.csv
并获得
ID,MD,L7,L8,L9,L10,L1,L2,L3,L4
13,OB,PP,AA,AA,AA,NM,NM,NM,NM
15,OB,PP,PP,PP,AA,PP,PP,PP,AA
12,OB,NM,NM,NM,NM,AA,PP,AA,AA