csvファイルを解析して、列値の一致する文字セットに基づいて行をフィルタリングします。

Question 1

awk2つの文字列間の共通の開始文字を見つけるために小さな関数を作成しました。

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

表示されない場合$1（状態はに保存されます）、配列にs[$1]保存されます。表示されている場合は、関数の戻り値をそれ自体と間に設定してください。この関数は、最初の文字で不一致が見つかるまで個々の文字に対してwhileループを実行します。$2v[$1]=$2v[$1]$2

forC,404そしてC,304それは印刷されますC,

出力：

A,3300   
B,844
C,
M,55

Answer

awk2つの文字列間の共通の開始文字を見つけるために小さな関数を作成しました。

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

表示されない場合$1（状態はに保存されます）、配列にs[$1]保存されます。表示されている場合は、関数の戻り値をそれ自体と間に設定してください。この関数は、最初の文字で不一致が見つかるまで個々の文字に対してwhileループを実行します。$2v[$1]=$2v[$1]$2

forC,404そしてC,304それは印刷されますC,

出力：

A,3300   
B,844
C,
M,55

Question 2

60,000行の場合は少し遅くなりますが、実行可能に見えます。するいいえここに引用符を入れてください$line！

スクリプトのどこかに処理するデータがより多く表示されるバグがあるという奇妙な感じがまだあります。

$ 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

データを前処理しdatamashてソートされたデータを取得するには、my_filter1行ずつ入力するだけです。

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

それは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インスピレーションを見つけました。https://stackoverflow.com/a/23297950

テストファイルのデュアルエントリを使用していくつかの追加テストを実行しました。

$ 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

結果:

$ 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

予想した結果と同じですか？

Answer