使用Python消除文件中的冗余

如何压缩，即消除以下数据的冗余：

code: GB-ENG, jobs: 2673
code: GB-ENG, jobs: 23
code: GB-ENG, jobs: 459
code: GB-ENG, jobs: 346
code: RO-B, jobs: 9
code: DE-NW, jobs: 4
code: DE-BW, jobs: 3
code: DE-BY, jobs: 9
code: DE-HH, jobs: 34
code: DE-BY, jobs: 11
code: BE-BRU, jobs: 27
code: GB-ENG, jobs: 20

输出应如下所示：

GB-ENG, 3521
RO-B, 9
DE-NW, 4
DE-BW, 3
DE-HH, 34
DE-BY, 20
BE-BRU, 27

由每个代码的1个规范表示形式描述，即，

DE-by

，表示与该代码的每个实例相关联的数字的总和，例如：

code: DE-BY, jobs: 11
code: DE-BY, jobs: 9

变成

DE-BY, 20

目前，我正在使用以下Python脚本创建输入：

import json
import requests
from collections import defaultdict
from pprint import pprint

def hasNumbers(inputString):
    return any(char.isdigit() for char in inputString)

# open up the output of 'data-processing.py'
with open('job-numbers-by-location.txt') as data_file:

    # print the output to a file
    with open('phase_ii_output.txt', 'w') as output_file_:
        for line in data_file:
            identifier, name, coords, number_of_jobs = line.split("|")
            coords = coords[1:-1]
            lat, lng = coords.split(",")
            # print("lat: " + lat, "lng: " + lng)
            response = requests.get("http://api.geonames.org/countrySubdivisionJSON?lat="+lat+"&lng="+lng+"&username=s.matthew.english").json()


            codes = response.get('codes', [])
            for code in codes:
                if code.get('type') == 'ISO3166-2':
                    country_code = '{}-{}'.format(response.get('countryCode', 'UNKNOWN'), code.get('code', 'UNKNOWN'))
                    if not hasNumbers( country_code ):
                        # print("code: " + country_code + ", jobs: " + number_of_jobs)
                        output_file_.write("code: " + country_code + ", jobs: " + number_of_jobs)
    output_file_.close()

---

将此功能作为脚本的一部分可能是最有效的，但我还无法弄清楚如何使用。

下面的代码使用了当前代码中使用的

dict.get（）

方法来实现计数器。这是基于从当前的

.txt

文件中读取值，但您可以简单地绕过写入文件，然后使用类似的方法读取

tally = {}

with open('country_codes.txt', 'r') as infile, open('condensed.txt', 'w') as outfile:
    for line in infile:
        data = line.strip('\n')
        tag1, code, tag2, num = data.split()
        tally[code] = tally.get(code, 0) + int(num)
    for key, value in tally.items(): # Use .iteritems() for Python 2.x
        outfile.write(' '.join(map(str, [key, value, '\n'])))

这将获取具有以下结构的文件（

country\u codes.txt

）：

code: GB-ENG, jobs: 2673
code: GB-ENG, jobs: 23
code: GB-ENG, jobs: 459
code: GB-ENG, jobs: 346
code: RO-B, jobs: 9
code: DE-NW, jobs: 4
code: DE-BW, jobs: 3
code: DE-BY, jobs: 9
code: DE-HH, jobs: 34
code: DE-BY, jobs: 11
code: BE-BRU, jobs: 27
code: GB-ENG, jobs: 20

并将其写入

condensed.txt

，如下所示：

DE-BY, 20 
DE-HH, 34 
DE-BW, 3 
DE-NW, 4 
RO-B, 9 
GB-ENG, 3521 
BE-BRU, 27

---

下面的代码使用当前代码中使用的

dict.get（）

方法来实现计数器。这是基于从当前的

.txt

文件中读取值，但您可以简单地绕过写入文件，然后使用类似的方法读取

tally = {}

with open('country_codes.txt', 'r') as infile, open('condensed.txt', 'w') as outfile:
    for line in infile:
        data = line.strip('\n')
        tag1, code, tag2, num = data.split()
        tally[code] = tally.get(code, 0) + int(num)
    for key, value in tally.items(): # Use .iteritems() for Python 2.x
        outfile.write(' '.join(map(str, [key, value, '\n'])))

这将获取具有以下结构的文件（

country\u codes.txt

）：

code: GB-ENG, jobs: 2673
code: GB-ENG, jobs: 23
code: GB-ENG, jobs: 459
code: GB-ENG, jobs: 346
code: RO-B, jobs: 9
code: DE-NW, jobs: 4
code: DE-BW, jobs: 3
code: DE-BY, jobs: 9
code: DE-HH, jobs: 34
code: DE-BY, jobs: 11
code: BE-BRU, jobs: 27
code: GB-ENG, jobs: 20

并将其写入

condensed.txt

，如下所示：

DE-BY, 20 
DE-HH, 34 
DE-BW, 3 
DE-NW, 4 
RO-B, 9 
GB-ENG, 3521 
BE-BRU, 27

---

你可以这样做：

data = """code: GB-ENG, jobs: 2673
code: GB-ENG, jobs: 23
code: GB-ENG, jobs: 459
code: GB-ENG, jobs: 346
code: RO-B, jobs: 9
code: DE-NW, jobs: 4
code: DE-BW, jobs: 3
code: DE-BY, jobs: 9
code: DE-HH, jobs: 34
code: DE-BY, jobs: 11
code: BE-BRU, jobs: 27
code: GB-ENG, jobs: 20"""


final_data = {}

for code, count in [_.strip('code: ').split(', jobs: ') for _ in data.split('\n')]:
    if code in final_data:
        final_data[code]['amount'] += int(count)

    else:
        final_data[code] = {'amount': int(count)}

for key, value in final_data.items():
    print('code: {}, jobs: {}'.format(key, value['amount']))

---

你可以这样做：

data = """code: GB-ENG, jobs: 2673
code: GB-ENG, jobs: 23
code: GB-ENG, jobs: 459
code: GB-ENG, jobs: 346
code: RO-B, jobs: 9
code: DE-NW, jobs: 4
code: DE-BW, jobs: 3
code: DE-BY, jobs: 9
code: DE-HH, jobs: 34
code: DE-BY, jobs: 11
code: BE-BRU, jobs: 27
code: GB-ENG, jobs: 20"""


final_data = {}

for code, count in [_.strip('code: ').split(', jobs: ') for _ in data.split('\n')]:
    if code in final_data:
        final_data[code]['amount'] += int(count)

    else:
        final_data[code] = {'amount': int(count)}

for key, value in final_data.items():
    print('code: {}, jobs: {}'.format(key, value['amount']))

导入系统，重新
从集合导入defaultdict
tally=defaultdict（整数）
对于sys.stdin中的行：
match=re.match（r'^code:（？P
\S+），作业：（？P\d+），行）。groupdict（）
计数[匹配[“代码”]+=int（匹配[“作业”]）
对于代码，tally.iteritems（）中的作业：
打印“{}，{}”。格式（代码、作业）
导入系统，重新
从集合导入defaultdict
tally=defaultdict（整数）
对于sys.stdin中的行：
match=re.match（r'^code:（？P
\S+），作业：（？P\d+），行）。groupdict（）
计数[匹配[“代码”]+=int（匹配[“作业”]）
对于代码，tally.iteritems（）中的作业：
打印“{}，{}”。格式（代码、作业）
假设您的countries.txt格式如下

code: GB-ENG jobs: 2673
code: GB-ENG jobs: 23
code: GB-ENG jobs: 459
code: GB-ENG jobs: 346
code: RO-B jobs: 9
code: DE-NW jobs: 4
code: DE-BW jobs: 3
code: DE-BY jobs: 9
code: DE-HH jobs: 34
code: DE-BY jobs: 11
code: BE-BRU jobs: 27
code: GB-ENG jobs: 20

代码片段

with open('countries.txt') as input_file, open('phase_ii_output.txt', 'w') as output_file:
            args = []
            dic = {}
            for line in input_file:
                args.append(line.split(" "))
            for n in args:
                key = n[1]
                num = int(n[3].rstrip())
                if key in dic:
                    dic[key] += num
                else:
                    dic[key] = num
            output_file.write(dic)

输出

{'BE-BRU': 27, 'DE-BY': 20, 'DE-NW': 4, 'DE-BW': 3, 'RO-B': 9, 'GB-ENG': 3521, 'DE-HH': 34}

这假设您的countries.txt格式如下

code: GB-ENG jobs: 2673
code: GB-ENG jobs: 23
code: GB-ENG jobs: 459
code: GB-ENG jobs: 346
code: RO-B jobs: 9
code: DE-NW jobs: 4
code: DE-BW jobs: 3
code: DE-BY jobs: 9
code: DE-HH jobs: 34
code: DE-BY jobs: 11
code: BE-BRU jobs: 27
code: GB-ENG jobs: 20

代码片段

with open('countries.txt') as input_file, open('phase_ii_output.txt', 'w') as output_file:
            args = []
            dic = {}
            for line in input_file:
                args.append(line.split(" "))
            for n in args:
                key = n[1]
                num = int(n[3].rstrip())
                if key in dic:
                    dic[key] += num
                else:
                    dic[key] = num
            output_file.write(dic)

输出

{'BE-BRU': 27, 'DE-BY': 20, 'DE-NW': 4, 'DE-BW': 3, 'RO-B': 9, 'GB-ENG': 3521, 'DE-HH': 34}

假设文本存储在一个文本文件中，这将起作用

infile = open('redundancy.txt','r')
a= infile.readlines()
print a
d={}
for item in a:
    c=item.strip('\n')    
    b=c.split()    
    if b[1] in d :
        d[b[1]]= int(d.get(b[1]))+eval((b[3]))
    else:
        d[b[1]]=b[3]
print d

这将产生一个结果：

{'DE-BY,': 20, 'DE-HH,': '34', 'DE-BW,': '3', 'DE-NW,': '4', 'RO-B,': '9', 'GB-ENG,': 3521, 'BE-BRU,': '27'}

假设文本存储在一个文本文件中，这将起作用

infile = open('redundancy.txt','r')
a= infile.readlines()
print a
d={}
for item in a:
    c=item.strip('\n')    
    b=c.split()    
    if b[1] in d :
        d[b[1]]= int(d.get(b[1]))+eval((b[3]))
    else:
        d[b[1]]=b[3]
print d

这将产生一个结果：

{'DE-BY,': 20, 'DE-HH,': '34', 'DE-BW,': '3', 'DE-NW,': '4', 'RO-B,': '9', 'GB-ENG,': 3521, 'BE-BRU,': '27'}

您可以尝试使用python计数器，其中键是代码，值是作业数？这看起来像什么？您可能只需要使用标准的UNIX工具和命令行就可以轻松地完成这项工作。您可以自由地接受您选择的任何答案，我通常不会介意。然而，您已经取消了我的选择，并接受了一个需要
eval
的答案，尽管它是Python最糟糕的特性之一，即可以完全擦除整个系统？看见我对你的逻辑感兴趣。。。我看不出它比我原来的答案有什么改进，它只是比较新。它不使用上下文管理器来处理文件打开（实际上，文件最后甚至没有关闭），也不写入任何输出，你可以尝试使用python计数器，其中键是代码，值是作业数。你的意思是不是不写文件？这看起来像什么？您可能只需要使用标准的UNIX工具和命令行就可以轻松地完成这项工作。您可以自由地接受您选择的任何答案，我通常不会介意。然而，您已经取消了我的选择，并接受了一个需要
eval
的答案，尽管它是Python最糟糕的特性之一，即可以完全擦除整个系统？看见我对你的逻辑感兴趣。。。我看不出它比我原来的答案有什么改进，它只是比较新。它不使用上下文管理器来处理文件打开（事实上，文件最后甚至没有关闭），也不写任何输出，只给出一个字典。那么-这是它自己的文件吗？我不确定你在问什么。目前我认为您正在将非压缩输出写入
phase_ii_output.txt
？基于这种方法，您必须将数据读回（正如我在这里所做的）并再次处理它以获得所需的输出。但是完全删除写入
phase_ii_output.txt
并不需要太多修改。这个想法就是使用
tally[code]=tally.get（code，0）+int（num）
来总结作业。这个“dict”没有属性“iterItems”@s.matthew.english哦，它在Python 3中被更改了。将
iteritems（）
更改为仅
items（）
。我会编辑。那么-这是它自己的文件？我不知道你在问什么。目前我认为您正在将非压缩输出写入
phase_ii_output.txt
？基于这种方法，您必须将数据读回（正如我在这里所做的）并再次处理它以获得所需的输出。但是完全删除写入
phase_ii_output.txt
并不需要太多修改。这个想法就是使用
tally[code]=tally.get（code，0）+int（num）
来总结作业。这个“dict”没有属性“iterItems”@s.matthew.english哦，它在Python 3中被更改了。将
iteritems（）
更改为仅
items（）
。我会编辑。