すべてのヘッダー/列を共有しないCSVファイルの結合/マージ

すべてのヘッダー/列を共有しないCSVファイルの結合/マージ

データロギングシステムの1000個のファイルを含むディレクトリがあり、各ファイルには最大40,000行以上を含めることができます。問題は、時々1つ以上のセンサーからデータが記録されず、失われることです。

ファイル1:

A,B,C,D,F

10,20,10,20,5

ファイル2:

B,C,D,E,F

20,10,20,5,10

ファイル3:

D,E,F


10,30,20

必要な結果は、すべてのファイルを1つのヘッダーにマージ/接続することです。入力ファイルに列がない場合(破損したセンサーのため)、そのセクションはNULL値に置き換えられます。

A,B,C,D,E,F

10,20,10,20,,5

,20,10,20,5,10

,,,10,30,20

最後の列Fは日付/時刻スタンプなので、常に存在します。

この答えを見つけましたが、すべてのヘッダー/列がすべてのファイルで同じであるとします。

ヘッダーの順序が異なる複数の大きなCSVファイルを貼り付ける

私もこの問題を発見しました複数のCSVファイルをマージして、一致する列と一致しない列を取得します。しかし、私が利用できるほど答えは完全ではありません。

ありがとう

答え1

非常にきれいでシンプルな代替ツールを試してみたい場合(https://github.com/johnkerl/miller)、入力CSVファイルを含むフォルダから始めて、このコマンドを使用します。

mlr --csv unsparsify *.csv >out.csv

あなたはやる

A,B,C,D,F,E
10,20,10,20,5,
,20,10,20,10,5
,,,10,20,30

F a を終了するには、次のコマンドを使用します。

mlr --csv unsparsify then reorder -e -f F *.csv

ファイルが多い場合は、次の2つの手順で実行できます。

mlr --icsv cat *.csv >tmp.txt
mlr --ocsv unsparsify tmp.txt >out.csv

答え2

BEGIN {
        OFS = FS = ","

        # Parse given column headers and remeber their order.

        # nf will be the number of fields we'd want in the output.
        nf = split(pick, header)
        for (i = 1; i <= nf; ++i)
                order[header[i]] = i

        # Output headers.
        print pick
}

FNR == 1 {
        # Parse column headers from input file.

        delete reorder

        for (i = 1; i <= NF; ++i)
                # If the current header is one that we'd like to pick...
                if ($i in order)
                        # ... record what column it is located in.
                        reorder[order[$i]] = i

        next
}

{
        # Process data fields from input file.

        # We build a new output record, so explicitly split the current record
        # and save it in the field array, then empty the record and rebuild.
        split($0, field)
        $0 = ""

        for (i = 1; i <= nf; ++i)
                # If reorder[i] is zero, it's a column that is not available in the
                # current file.
                $i = (reorder[i] == 0 ? "" : field[reorder[i]])

        print
}

上記awkのスクリプトは、抽出したい列を特定の順序でパラメータとして選択し、各入力ファイルからその列を抽出します。

質問に表示されるデータの例:

$ awk -v pick='A,B,C,D,E,F' -f script.awk file*.csv
A,B,C,D,E,F
10,20,10,20,,5
,20,10,20,5,10
,,,10,30,20
$ awk -v pick='F,B,A' -f script.awk file*.csv
F,B,A
5,20,10
10,20,
20,,

答え3

データ行間に実際の空行がないと仮定し、GNU awkを使用してソートします。

$ cat tst.awk
BEGIN { FS=OFS="," }
FNR==1 {
    delete f
    for (i=1; i<=NF; i++) {
        f[$i] = i
        flds[$i]
    }
    numFiles++
    next
}
{
    for (tag in f) {
        val[numFiles,tag] = $(f[tag])
    }
}
END {
    PROCINFO["sorted_in"] = "@val_str_asc"
    sep = ""
    for (tag in flds) {
        printf "%s%s", sep, tag
        sep = OFS
    }
    print ""
    for (fileNr=1; fileNr<=numFiles; fileNr++) {
        sep = ""
        for (tag in flds) {
            printf "%s%s", sep, val[fileNr,tag]
            sep = OFS
        }
        print ""
    }
}

$ awk -f tst.awk file{1..3}
A,B,C,D,E,F
10,20,10,20,,5
,20,10,20,5,10
,,,10,30,20

関連情報