☰

比较 2 个 csv 文件的多个列，并将其中一个列替换为另一个文件中的列

tag-icon • tag-icon linux awk csv
比较 2 个 csv 文件的多个列，并将其中一个列替换为另一个文件中的列

我必须比较 2 个文件file a并file b使用相同的列，但随机放置在 2 个文件中，例如比较列值 account、code、date、type、pc、vol和bs如果为任何行找到匹配项，则将第 1 列替换为 fromaccount并file a 显示所有非匹配的记录来自.输出应如下所示account1file bfile afile c

我没有任何 Linux 背景，在浏览在线论坛后，我稍微知道这可以通过 AWK 完成，但我对 awk 不太熟悉。请帮忙。对比需要在linux环境下进行

通过随机放置的列，我的意思是在命令中我应该能够给出可用于将文件 a 与文件 b 匹配的列（两个文件中列的顺序不会相同）。它可以是 8 或 10 或 15 列以在两个文件中匹配。

与该帐户类似，account1 不得是第一列和最后一列，该命令还应该能够选择需要更新的列

重复处理 -->如果文件b对于文件a中的1记录有很多重复，那么它应该更新文件b第一个匹配的记录，以便它不能在匹配中再次使用-->如果文件a有很多重复而文件b只有1 个匹配记录，那么最终文件 c 应该只更新 1 个帐户值，而不是更新文件 a 的所有匹配值记录

file a

account,temp1,code,type,date,subtask,pc,toy,vol,bs,sub
6576,WEQR,TYRE,BS,54122022,OBCD,K,BAT,5000,F,SCSC
1234,GFHD,ASDF,BS,21122022,STOP,C,CAT,1000,S,MATH
7654,GHAD,LOPI,CV,9089022,KGAD,G,BSEE,5908,J,IOYU

file b

account,code,date,type,inst,insttype,pc,str,vol,bs,name,xdate,account1
1234,ASDF,21122022,BS,GOLDY,RUB,C,123.1,1000,S,RON,90891234,CCCCC
2761,LOPCS,10122022,BSFD,SLV,STR,C,123.9,1001,B,RON,99999988,DDDDD
0980,RTDF,28822025,JUFG,BRNZ,HIY,C,123.8,2000,S,RON,88881234,EEEEE

file c

account,temp1,code,type,date,subtask,pc,toy,vol,bs,sub
6576,WEQR,TYRE,BS,54122022,OBCD,K,BAT,5000,F,SCSC
CCCCC,GFHD,ASDF,BS,21122022,STOP,C,CAT,1000,S,MATH
7654,GHAD,LOPI,CV,9089022,KGAD,G,BSEE,5908,J,IOYU

答案1

这个答案从使用的解决方案开始磨坊主csvsql，继续使用 Miller 与from结合使用解决方案csvkit，然后以仅使用 的解决方案结束csvsql。

使用磨坊主( mlr) 首先（左）连接来自以下命名字段的fileA数据：fileB

account,code,date,type,pc,vol,bs

...然后重命名该account1字段account（对于具有字段的记录account1，该字段仅是已加入的记录）。

然后，我们对字段重新排序并删除输出中不需要的字段。

mlr --csv \
    join -f fileA -j account,code,date,type,pc,vol,bs --ul then \
    rename account1,account then \
    cut -o -f account,temp1,code,type,date,subtask,pc,toy,vol,bs,sub fileB

给出问题中的数据的输出：

account,temp1,code,type,date,subtask,pc,toy,vol,bs,sub
CCCCC,GFHD,ASDF,BS,21122022,STOP,C,CAT,1000,S,MATH
6576,WEQR,TYRE,BS,54122022,OBCD,K,BAT,5000,F,SCSC
7654,GHAD,LOPI,CV,9089022,KGAD,G,BSEE,5908,J,IOYU

请注意，两个输入文件中的字段顺序无关。

如果您不知道可以使用哪些字段进行连接，则可以单独计算公共字段名称（不幸的是，Miller 无法执行“自然连接”操作，但必须给出要连接的显式字段名称列表）：

mlr --csv put -q '
    if (NR == 1) {
        for (k in $*) { @f[k] = 1 }
    } else {
       for (k in @f) {
           is_null($[k]) { unset @f[k] }
       }
    }
   end {
       common_fieldnames = joink(@f,",");
       emit common_fieldnames
   }' fileA fileB

对于给定的数据，输出以下 CSV 数据集

common_fieldnames
"account,code,type,date,pc,vol,bs"

到仅有的获取逗号分隔列表，使用可生成无标头不带引号的 CSV 输出的选项，例如与和--csv结合使用。--headerless-csv-output--quote-none

一种完全不同的方法是使用csvsqlfromcsvkit执行自然左连接，然后用于mlr后处理输出：

csvsql --query 'SELECT * FROM "fileA" NATURAL LEFT JOIN "fileB"' fileA fileB |
mlr --csv \
    put 'is_not_null($account1) { $account = $account1 }' then \
    cut -o -f account,temp1,code,type,date,subtask,pc,toy,vol,bs,sub

这样，您就不必关心两个文件之间哪些字段是通用的。

如果你愿意的话，你甚至可以用 SQL 来完成这一切：

csvsql --query '
    CREATE TEMPORARY TABLE tmp AS SELECT * FROM "fileA" NATURAL LEFT JOIN "fileB";
    UPDATE tmp SET account = account1 WHERE account1 IS NOT NULL;
    SELECT account,temp1,code,type,date,subtask,pc,toy,vol,bs,sub FROM tmp;' fileA fileB

答案2

#!/bin/bash

IFS=, hdrs_to_check="$*"
col_to_change="account"
col_with_value="account1"

awk -F, -v hdrs_to_check="$hdrs_to_check" \
        -v col_to_change="$col_to_change" \
        -v col_with_value="$col_with_value" '

function make_compound_key(hdrs_2_idx_map) {
    key = ""
    for (i = 1; i <= hdrs_to_check_arr_size; i++) {
        hdr_name = hdrs_to_check_arr[i]
        hdr_idx = hdrs_2_idx_map[hdr_name]
        key = key$hdr_idx","
    }
    return key
}

BEGIN {
    hdrs_to_check_arr_size = split(hdrs_to_check, hdrs_to_check_arr, ",")
}

#Both file headers processing
FNR == 1 {
    #Map file_a and file_b headers to their indexes.
    for (i = 1; i <= NF; i++) {
        if (NR == 1) {
            f_b_hdr_2_idx_map[$i] = i
        } else {
            f_a_hdr_2_idx_map[$i] = i
        }
    }
    next
}

#file_b processing
FNR == NR {
    key = make_compound_key(f_b_hdr_2_idx_map)

    # Duplicate keys are not changing the "account1" value, it is fixed
    # from the first key occurence.
    if (!(key in file_b_dct)) {
        file_b_dct[key] = $f_b_hdr_2_idx_map[col_with_value]
    }

    next
}

#file_a processing
FNR != NR {
    key = make_compound_key(f_a_hdr_2_idx_map)

    # "file_a_updated_dct" is needed to prevent following lines
    # with same "key" be changed. These lines are left unchanged.
    if ((key in file_b_dct) && !(key in file_a_updated_dct)) {
        $f_a_hdr_2_idx_map[col_to_change] = file_b_dct[key]         
        file_a_updated_dct[key]
    }

    print
}
' file_b.txt OFS=, file_a.txt
#' file_b.txt OFS=, file_a.txt | column -s, -t

用法：

$ ./my_script.sh account code date type pc vol bs

相关内容