Python 使用Perl计算管道分隔文本文件的每列中的唯一值
我的Solaris服务器主目录中有两个示例管道分隔文件,如下所示:Python 使用Perl计算管道分隔文本文件的每列中的唯一值,python,perl,unix,solaris-10,Python,Perl,Unix,Solaris 10,我的Solaris服务器主目录中有两个示例管道分隔文件,如下所示: exchnage|ticker|sedol|cusip london |3 |2 |3 newyork |3 |2 |2 file1.txt: ticker|sedol|cusip|exchnage ibm |ibm_1|ib |london hcl | |hcl_02|london hp |hp_01|hpm |newyork
exchnage|ticker|sedol|cusip
london |3 |2 |3
newyork |3 |2 |2
file1.txt:
ticker|sedol|cusip|exchnage
ibm |ibm_1|ib |london
hcl | |hcl_02|london
hp |hp_01|hpm |newyork
|lkp |lk_2 |newyork
file2.txt:
exchnage|ticker|sedol|cusip
london |goo |goo_1|gm
london |hcl | |hcl_02
newyork |hp |hp_01|hpm
newyork |tyl | |ty_2
我需要一个结果文件,在该文件中,我们将按exchange对ticker、sedol、cusip的唯一计数进行分组:
预期结果文件如下:
exchnage|ticker|sedol|cusip
london |3 |2 |3
newyork |3 |2 |2
我知道使用SQL很容易,但不幸的是数据库不能参与其中。每个文件大小可能高达300-400 MB。我们最好使用Perl,或者如果有困难,那么使用Python。主要环境是Solaris,但我们也可以在Unix服务器上尝试。现在需要添加的是,“exchange”列的位置可以在两个文件中的任何位置进行更改。我认为,首先需要从文件中创建一个字典列表,如: {'exchnage':'london','ticker':'ibm','sedol':'ibm_1','cusip':'ib'}。然后,您需要一个for-each语句将所有值添加到列表中,但仅当值不是None时,列表中不存在空值(&value)。然后您就得到了列表中所有唯一的值,您需要对它们进行计数。
您需要对文件中的所有列执行此操作。
之后,您需要将其写入一个文件中
#!/usr/bin/perl
use strict;
use warnings;
use Data::Dumper;
my %unique_ticker_count;
my %unique_sedol_count;
my %unique_cusip_count;
my @headers = split( '|', <DATA> );
print @headers;
while ( my $line = <DATA> ) {
my ( $exchange, $ticker, $sedol, $cusip ) = split( /\|/, $line );
if ( $ticker =~ m/\w/ ) { $unique_ticker_count{$exchange}{$ticker}++; }
if ( $sedol =~ m/\w/ ) { $unique_sedol_count{$exchange}{$sedol}++; }
if ( $cusip =~ m/\w/ ) { $unique_cusip_count{$exchange}{$cusip}++; }
}
print Dumper \%unique_ticker_count;
foreach my $exchange ( keys %unique_ticker_count ) {
print join( "|",
$exchange,
scalar keys %{ $unique_ticker_count{$exchange} } || 0,
scalar keys %{ $unique_sedol_count{$exchange} } || 0,
scalar keys %{ $unique_cusip_count{$exchange} } || 0,
),
"\n";
}
__DATA__
exchnage|ticker|sedol|cusip
london |ibm |ibm_1|ib
london |hcl | |hcl_02
newyork |hp |hp_01|hpm
newyork |lkp |lk_2 |
london |goo |goo_1|gm
london |hcl | |hcl_02
newyork |hp |hp_01|hpm
newyork |tyl | |ty_2
我将把文件的打开和处理交给您处理——这只是说明您可以采取的方法 不是最优雅的,而是我为您的新需求打造的最快的:
import glob
import os
import sys
path = "/tmp"
file_mask = "file*.txt"
results = {}
for file in glob.glob(os.path.join(path, file_mask)):
column_names = {}
exchange_col = None
with open(file, "r") as f:
for line_num, line in enumerate(f.xreadlines()):
# process header
if not line_num:
line_parsed = line.strip().split("|")
for column_num, column in enumerate(line_parsed):
if column.strip() == "exchnage":
exchange_col = column_num
else:
column_names[column_num] = column.strip()
if exchange_col is None:
print "Can't find exchnage field"
sys.exit(1)
continue
line_parsed = line.strip().split("|")
if len(line_parsed) != len(column_names) + 1:
continue
# prepare empty structure for excahnge, if not added yet
if not line_parsed[exchange_col].strip() in results:
results[line_parsed[exchange_col].strip()] = {column_name:set() for column_name in column_names.values()}
# add uniq items to exchange
for column_num, column in enumerate(line_parsed):
column_val = column.strip()
# add only non empty values
if column_val and column_num != exchange_col:
results[line_parsed[exchange_col].strip()][column_names[column_num]].add(column_val)
column_names = column_names.values()
print "exchnage|" + "|".join("%8s" %c for c in column_names)
for exchange, values in results.iteritems():
print "%8s|" % exchange + "|".join("%8s" % str(len(values[column])) for column in column_names)
程序输出(使用不同列顺序的新文件作为输入):
我更喜欢R编程,而很少使用shell…Perl对我来说是一个全新的世界。您能发布一些代码和我们需要使用的Perl包吗?如果你觉得它很大,你可以在purnendumaity@rediffmail.com. “我真的需要这个。”purnendumaity当你问这个问题时,你写了“python”。我看得出来,你把它拿走了。我不知道,如何用perl解决这个问题。这是问题的逻辑,它可以在大多数语言中实现。我没有删除Python…根据上面的命令,Perl是首要任务,但Python解决方案也可以…我可以看到Python标记仍然存在于我的问题中。事实上,在那个特定的系统中,已经有很多东西是用Perl实现的。希望你能理解这些数据,你把假设作为一个单独的文件吗?我有两个文件。。那你是建议合并它们吗?一个文件可能比另一个文件有更多的列,然后将合并工作。。。我只知道检查/计算
数据的列是perl中内联数据的一种方式,这使得演示和发布代码更容易。您可以非常轻松地打开(my$input,“@Sobrique..根据新的场景,我必须按列位置而不是name@purnendumaity,请注意,它与示例中的文件结构相匹配,并操作列号,而不是名称。因此,如果文件中的列数或列顺序不同,则可能无法使用。@Dieselist..u r正确。现在“exchange”列位于第30列中,因此我应该按如下方式修改它:#为excahnge准备空结构,如果尚未添加,如果未在结果中分析行[0]:results[line\u parsed[0]=[set(),用于xrange中的I(len(行[30:]))]#添加uniq项以交换列_num,enumerate中的列(行_parsed[30:]):@purnendumaity,能否提供新格式?是否为持久性(列号是否可以硬编码)?我们是按列号还是按名称进行操作?u非常有用…我们将按列号进行操作,如果我们使用pandas,然后使用直SQL根,会怎么样…可能,但随后会涉及额外的包安装等事情…我认为他们不会agree@purnendumaity,我已经用新代码更新了我的答案,以满足您的新要求现在它会自动计算出文件中的列顺序。
$ python parser.py
exchnage| ticker| sedol| cusip
newyork| 2| 2| 3
london| 3| 2| 3