[英]Sorting csv columns in bash, reading bash output into python variables
嗨,我在多個csv文件中有大量數據,並使用grep過濾掉數據集:
user@machine:~/$ cat data.csv | grep -a "63[789]\...;"
637.05;1450.2
637.32;1448.7
637.60;1447.7
637.87;1451.5
638.14;1454.2
638.41;1448.6
638.69;1445.8
638.96;1440.0
639.23;1431.9
639.50;1428.8
639.77;1427.3
我想弄清楚具有最高計數的數據集,右邊的列; 然后知道相應的值(左邊的;)。 在這種情況下,我正在尋找的集合將是638.14; 1454.2
我嘗試了不同的東西,結果使用了bash和python的組合,這有效,但不是很漂亮:
os.system('ls | grep csv > filelist')
files = open("filelist")
files = files.read()
files = files.split("\n")
for filename in files[0:-1]:
os.system('cat ' + filename + ' | grep -a "63[6789]\...;" > filtered.csv')
filtered = csv.reader(open('filtered.csv'), delimiter=';')
sortedlist = sorted(filtered_file, key=operator.itemgetter(1), reverse=True)
dataset = sortedlist[0][0] + ';' + sortedlist[0][1] + '\n'
我希望有一個bash唯一的解決方案(剪切,awk,數組?!?),但無法弄明白。 另外,我不喜歡將bash命令寫入文件然后將它們讀入python變量的工作。 我可以直接將它們讀入變量,還是有更好的解決方案來解決這個問題? (可能是perl等...但我真的對bash解決方案很感興趣..)
非常感謝你!!
一個快速的單行將是:
grep -a "63[789]\...;" data.csv | sort -n -r -t ';' -k 2 | head --lines=1
這只是根據第二列以數字方式對文件進行排序,然后打印出第一行。 希望有所幫助。
如果您要使用Python,那么使用Python。 為什么要將bash命令混合在一起? 它使您的代碼不可移植/依賴於bash環境。
import os
import glob
import operator
os.chdir("/mypath")
for file in glob.glob("*.csv"):
data=open(file).readlines()
data=[i.strip().split(";") for i in data if i[:3] in ["637","638","639"]]
# data=[i.strip().split(";") for i in data if i[:3] in ["637","638","639"] and isinstance(float(i[:6]),float) ]
sortedlist = sorted(data, key=operator.itemgetter(1), reverse=True)
print "Highest for file %s: %s" % (file,sortedlist[0])
或者,如果您對bash +工具解決方案更感興趣
find . -type f -name '*.csv' |while read -r FILE
do
grep -a "63[789]\...;" "$FILE" | sort -n -r -t ';' -k 2 | head -1 >> output.txt
done
$ cat data.csv | grep -a "63[789]\...;" | awk 'BEGIN {FS=";"} $2>max{max=$2; val=$1} END {print "max " max " at " val}'
max 1454.2 at 638.14
如果您有大量數據,那么您不希望將所有數據存儲到內存中,然后對其進行排序以獲得最大值。 這種方法在計算時間復雜度和存儲器方面都是低效的 。
您可以簡單地解析文件並在運行中計算所需的值。 一種快速純Python的方法來處理您的問題:
import os, re
os.chdir('/path/to/csvdir')
for f in os.listdir('.'):
dataset, count = 0.0, 0.0
for line in open(f):
if re.search(r'63[6789]\...', line):
d, c = map(float, line.strip().split(';'))
if count < c:
dataset, count = d, c
print f, dataset
通過修改相應的行,此方法還可用於顯示最大值列表(如果可以有多個具有最高計數的數據集):
dataset, count = [], 0.0
...
if count < c:
dataset, count = [d], c
elif count == c:
dataset.append(d)
編輯:該腳本假定您的csvdir僅填充包含解析格式的文件。 如果要按名稱過濾它們,可以使用glob(在名稱過濾中使用有限的正則表達式功能):
for f in glob.glob('*.csv'):
或者對os.listdir
應用過濾器:
for f in filter(lambda f: re.match('.*\.csv', f), os.listdir('.')):
這是我用python對csv文件進行排序的代碼。 它允許您指定多個列,並使用減號按相反順序排序。
#!/usr/bin/env python
# Usage:
# (1) sort ctb_consolidated_test_id.csv by Academic Year, Test ID, Period, and Test Name, with Test ID in descending order
# sort_csv.py -c "Academic Year" -c "-Test ID" -c "Period" -c "Test Name" ctb_consolidated_test_id.csv
from __future__ import with_statement
from __future__ import print_function
import sys
def multikeysort(items, columns):
from operator import itemgetter
import re
num_re = re.compile(r'^\d+$')
comparers = [
((itemgetter(col[1:].strip()), -1) if col.startswith('-') else (itemgetter(col.strip()), 1))
for col in columns
]
def number_comparable(val1, val2):
return len(val1) != len(val2) and num_re.match(val1) and num_re.match(val2)
def column_comparer(left, right):
for fn, mult in comparers:
val1, val2 = fn(left), fn(right)
if number_comparable(val1, val2):
val1, val2 = int(val1), int(val2)
result = cmp(val1, val2)
if result:
return mult * result
return 0
return sorted(items, cmp=column_comparer)
def sort_csv(filename, columns):
import csv
with open(filename, "r") as f:
reader = csv.DictReader(f)
writer = csv.DictWriter(sys.stdout, reader.fieldnames)
writer.writerow(dict(zip(reader.fieldnames, reader.fieldnames)))
writer.writerows(multikeysort(reader, columns))
if __name__ == '__main__':
from glob import glob
from optparse import OptionParser, make_option
option_list = [
make_option('-c', '--column', dest='columns', action='append', metavar='COLUMN NAME'),
]
parser = OptionParser(option_list=option_list)
(options, args) = parser.parse_args()
filenames = (filename for arg in args for filename in glob(arg))
for filename in filenames:
sort_csv(filename, options.columns)
很好,非常感謝,Hakop Palyan !!
現在是否有關於如何從所有csv文件中獲取此數據集並將其作為新文件收集到某處的技巧? 就像是
find . -name '*.csv' -print0 | xargs -0 grep -a "63[789]\...;" | sort -n -r -t ';' -k 2 | head --lines=1
這個只打印第一行,我需要迭代單個文件並收集數據集...
我知道你正在尋找一個基於bash的解決方案,但我無法使用csv模塊提供一些東西。
import os
import csv
import re
target_re = re.compile(r'^63[789]\.\d\d$')
csv_filenames = [f for f in os.listdir('.') if f.endwith('.csv')]
largest_in_each_file = []
for f in csv_filenames:
largest = (None, 0)
for a,b in csv.reader(open(f, 'rb'), delimiter=';'):
if target_re.match(a) and b > largest[1]:
largest = (a, b)
largest_in_each_file.append(largest)
largest_overall = largest_in_each_file[0]
for largest in largest_in_each_file:
print "%s;%s in %s" % largest
if largest[1] > largest_overall[1]:
largest_overall = largest
print "-" * 10
print "%s;%s in %s is the largest record in all files" % largest_overall
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.