Manipule alguns dados mal delimitados em um CSV útil

13

Eu tenho alguma saída na forma de:

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
...

O que é bastante confuso e precisa ser limpo em um CSV para que eu possa presenteá-lo a um gerente de projeto para eles a planilha.

O núcleo do problema é este: preciso que a saída seja:

id, sum_of_type_1, sum_of_type_2, sum_of_type_3

Um exemplo disso é o ID "4":

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

Em vez disso, deve ser:

4,15,253,19871

Infelizmente, sou um lixo nesse tipo de coisa, consegui limpar todas as linhas e entrar no CSV, mas não consegui desduplicar e agrupar as linhas. Agora eu tenho isso:

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

Mas tudo o que faz é limpar os caracteres do lixo e imprimir as linhas novamente.

Qual é a melhor maneira de massagear as linhas na saída mencionada acima?

Paulo
fonte
Você quer mesmo somar as contagens?
Hjk

Respostas:

12

Uma maneira de fazer isso é colocar tudo em um hash.

# 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];
    }
}'

editar: minha primeira resposta não respondeu à pergunta corretamente

DarkHeart
fonte
Sim, isso fez o truque muito bem. Obrigado! A única coisa é que eu não conta para alguns tipos de IDs de estar vazio e, assim, estragar o CSV, mas eu posso trabalhar esse pequeno detalhe para fora
Paul
@Paul Talvez adicionar NF<4{$4="no_type";}no início
DarkHeart 2/17
11

Perl para o resgate:

#!/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 };
}

Ele mantém duas tabelas, tabela de tipos e tabela de IDs. Para cada ID, ele armazena a soma por tipo.

choroba
fonte
5

Se o GNU datamash for uma opção para você, então

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
chave de aço
fonte
4

Python (e a pandasbiblioteca em particular é muito adequada para esse tipo de trabalho

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')

Isso lê os dados csv em um 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

Em seguida, agrupamos esses dados por ide pegamos a soma da colunacount

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

o unstack remodelações para mover os IDs para as colunas e fillnapreenche os campos vazios com os 0s

df_sum.to_csv()

Isso retorna

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

Como o quadro de dados contém dados ausentes (combinações vazias de tipo de identificação), o pandas transforma os ints em float(limitação do funcionamento interno). Se você souber que as entradas serão apenas int, poderá alterar a penúltima linha paradf_sum = df.groupby(('type', 'id'))['count'].sum().unstack('type').fillna(0).astype(int)

Maarten Fabré
fonte
1
Você deve explicar o que o código que você forneceu faz, por isso é útil para todos que veem esta postagem, e não para essa pessoa específica.
Fund Monica's Lawsuit
Isso é mais claro? Eu também corrigiu o regex para o seperator
Maarten Fabre
Parece bom para mim. Obrigado por adicionar uma explicação!
Fund Monica's Lawsuit
3

Você pode usar o Perl para fazer um loop sobre o arquivo CSV e acumular a soma dos tipos apropriados em um hash enquanto estiver no caminho. E, no final, exiba as informações coletadas para cada ID.

Estrutura de dados

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

Isso ajuda a entender o código abaixo:

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

Resultado

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

fonte
1

minha opinião, não muito diferente dos outros. Usa o GNU awk que possui matrizes de matrizes

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

saídas

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
Glenn Jackman
fonte
0

Você pode usar esse código para resumir valores com base na sua coluna de ID,

Eu adicionei uma declaração awk após o seu código

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];}'

Vá em frente com isso ...

Prem Joshi
fonte