web-dev-qa-db-ja.com

一意の識別子で2つのファイルを結合する

参加したいファイルが2つあり、それぞれ約12900と4400のエントリがあります。ファイルには、世界中のすべての陸上気象観測所の位置情報が含まれています。最大のファイルは隔週で更新され、小さいファイルは年に1回程度更新されます。元のファイルはここにあります( http://www.wmo.int/pages/prog/www/ois/volume-a/vola-home.htm および http:/ /weather.rap.ucar.edu/surface/stations.txt )。私が持っているファイルは、awk、sed、bashの混合スクリプトを使用してすでに操作されています。私はファイルを使用して、Unidataから無料で入手できるGEMPAKパッケージを使用してデータを視覚化します。最大のファイルはGEMPAKで機能しますが、その全機能では機能しません。このためには結合が必要です。

ファイル1には、気象観測ステーションの位置情報が含まれています。最初の6桁は一意のステーション識別子です。さまざまなパラメータ(駅番号、駅名、国コード、緯度経度、駅の標高)は、ライン内の位置によってのみ定義されます。つまり、タブはありません。

         060090 AKRABERG FYR                        DN  6138   -666     101
         060100 VAGA FLOGHAVN                       DN  6205   -728      88
         060110 TORSHAVN                            DN  6201   -675      55
         060120 KIRKJA                              DN  6231   -631      55
         060130 KLAKSVIK HELIPORT                   DN  6221   -656      75
         060160 HORNS REV A                         DN  5550    786      21
         060170 HORNS REV B                         DN  5558    761      10
         060190 SILSTRUP                            DN  5691    863       0
         060210 HANSTHOLM                           DN  5711    858       0
         060220 TYRA OEST                           DN  5571    480      43
         060240 THISTED LUFTHAVN                    DN  5706    870       8
         060290 GROENLANDSHAVNEN                    DN  5703   1005       0
         060300 FLYVESTATION AALBORG                DN  5708    985      13
         060310 TYLSTRUP                            DN  5718    995       0
         060320 STENHOEJ                            DN  5736   1033      56
         060330 HIRTSHALS                           DN  5758    995       0
         060340 SINDAL FLYVEPLADS                   DN  5750   1021      28

ファイル2には、ファイル1の一意の識別子と2番目の4文字の識別子(ICAOロケーター)が含まれています。

060100 EKVG
060220 EKGF
060240 EKTS
060300 EKYT
060340 EKSN
060480 EKHS
060540 EKHO
060600 EKKA
060620 EKSV
060660 EKVJ
060700 EKAH
060780 EKAT

2つのファイルを結合して、結果のファイルの行の最初の4つの位置に4文字の識別子が含まれるようにします。つまり、識別子が4つのスペースを置き換える必要があります。

         060090 AKRABERG FYR                        DN  6138   -666     101
EKVG     060100 VAGA FLOGHAVN                       DN  6205   -728      88
         060110 TORSHAVN                            DN  6201   -675      55
         060120 KIRKJA                              DN  6231   -631      55
         060130 KLAKSVIK HELIPORT                   DN  6221   -656      75
         060160 HORNS REV A                         DN  5550    786      21
         060170 HORNS REV B                         DN  5558    761      10
         060190 SILSTRUP                            DN  5691    863       0
         060210 HANSTHOLM                           DN  5711    858       0
EKGF     060220 TYRA OEST                           DN  5571    480      43
EKTS     060240 THISTED LUFTHAVN                    DN  5706    870       8
         060290 GROENLANDSHAVNEN                    DN  5703   1005       0
EKYT     060300 FLYVESTATION AALBORG                DN  5708    985      13
         060310 TYLSTRUP                            DN  5718    995       0
         060320 STENHOEJ                            DN  5736   1033      56
         060330 HIRTSHALS                           DN  5758    995       0
EKSN     060340 SINDAL FLYVEPLADS                   DN  5750   1021      28

Bashやawkスクリプトを使用してこのタスクを実行することは可能ですか?

9
awk 'BEGIN { while(getline < "file2" ) { codes[$1] = $2 } }
     { printf "%4s%s\n", codes[$1], substr($0, 5) }' file1
8
user46911

私たちのカップルは、joinのみを使用してこの問題を解決できるかどうかを確認したいと考えていました。これは私の試みです。それは部分的に機能するので、@ Terdonは私に夕食を借りています8-)。

コマンド

$ join -a1 -1 1 -2 1 -o 2.2 1.1 1.2 1.3 1.4 1.5 1.6 1.7 -e "N/A" \
     <(sort file1) <(sort file2)

$ join -a1 -1 1 -2 1 -o 2.2 1.1 1.2 1.3 1.4 1.5 1.6 1.7 -e "N/A" <(sort file1) <(sort file2) | column -t
N/A   060090  AKRABERG          FYR         DN    6138  -666  101
EKVG  060100  VAGA              FLOGHAVN    DN    6205  -728  88
N/A   060110  TORSHAVN          DN          6201  -675  55    N/A
N/A   060120  KIRKJA            DN          6231  -631  55    N/A
N/A   060130  KLAKSVIK          HELIPORT    DN    6221  -656  75
N/A   060160  HORNS             REV         A     DN    5550  786
N/A   060170  HORNS             REV         B     DN    5558  761
N/A   060190  SILSTRUP          DN          5691  863   0     N/A
N/A   060210  HANSTHOLM         DN          5711  858   0     N/A
EKGF  060220  TYRA              OEST        DN    5571  480   43
EKTS  060240  THISTED           LUFTHAVN    DN    5706  870   8
N/A   060290  GROENLANDSHAVNEN  DN          5703  1005  0     N/A
EKYT  060300  FLYVESTATION      AALBORG     DN    5708  985   13
N/A   060310  TYLSTRUP          DN          5718  995   0     N/A
N/A   060320  STENHOEJ          DN          5736  1033  56    N/A
N/A   060330  HIRTSHALS         DN          5758  995   0     N/A
EKSN  060340  SINDAL            FLYVEPLADS  DN    5750  1021  28

詳細

上記は、joinで利用可能なほとんどすべてのオプションを利用しています。これは、ある種のフランケンシュタインの方法のように、間違って使用していることを腸に伝えますが、私たちはすべてここで学習しているので、それで問題ありません...私は推測します。

スイッチ-a1は、file1のfile2からの対応する一致がない行を含めるようにjoinに指示します。したがって、これがこれらの線を表示するように駆り立てるものです。

N/A   060330  HIRTSHALS         DN          5758  995   0     N/A

-1 1-2 1は、主に最初の列である2つのファイルの行を結合する列を示しています。 -o ...は、2つのファイルのどの列をどの順序で表示するかを示しています。

-e "N/A"は、joinによって空と見なされるフィールドを出力するためのプレースホルダー値として、文字列「N/A」を使用することを示しています。

最後の2つの引数は、joinコマンドにソートされた2つのファイルfile1file2をフィードしています。

これは進行中の作業であり、joinコマンドを使用してこのタイプの問題を解決する方法を示しようとしているので、親切にしてください。これは、意図されたタイプの問題のように思われるためです。

未解決の問題

  1. 3列目

    主要なものは、1ワードと2ワードの値が混在しているため、3番目の列とどのように競合するかです。これはjoinにとって大きな障害のようであり、それを回避する方法がわかりません。任意のガイダンスをいただければ幸いです。

  2. 間隔

    元の間隔はすべてjoinで失われ、それを維持する方法もわかりません。したがって、joinは、結局のところ、これらのタイプの問題に対処する正しい方法ではない可能性があります。

  3. でもうまくいくようですか?

    コマンドラインで何度も曲げた後、一般的な解決策があり、少なくとも部分的には機能するように見えるので、これを解決策のコアで使用し、awksedなどの他のツールを使用してクリーンアップすることができますそれを上げます。ただし、これは疑問を投げかけます。「awksedを使用してクリーンアップする場合は、それらを直接使用する方がよいでしょうか?」.

7
slm

これはshouldjoinを使用して可能ですが、スペースと空のフィールドを正しく出力する方法がわかりません。とにかく、この小さなPerlスクリプトはトリックを行います:

#!/usr/bin/env Perl

## Open file2, the one that contains the codes
## it is expected to be the 1st argument given to the script.
open($a,"$ARGV[0]"); 

## Read the number<=>code pairs into a hash (an associative array)
## called 'k'
while (<$a>) {
    chomp; @f=split(/\s+/); $k{$f[0]}=$f[1];
}

## Open file1, the one that contains the data
## it is expected to be the 2nd argument given to the script.
open($b,"$ARGV[1]"); 
## Go through the file
while (<$b>) {
    ## Split each line at white space into the array @f
    @f=split(/\s+/);  

    ## $f[1] is the 6 digit number that defines the different stations.
    ## If this number has an entry in the hash %k, if it was found
    ## in file2, replace the first 4 spaces with its value from the hash.
    s/^\s{4}/$k{$f[1]}/ if defined($k{$f[1]});

    ## Print each line of the file
    print; 
}

これをfoo.plとして保存し、次のように実行します。

$ Perl foo.pl file2 file1
         060090 AKRABERG FYR                        DN  6138   -666     101
EKVG     060100 VAGA FLOGHAVN                       DN  6205   -728      88
         060110 TORSHAVN                            DN  6201   -675      55
         060120 KIRKJA                              DN  6231   -631      55
         060130 KLAKSVIK HELIPORT                   DN  6221   -656      75
         060160 HORNS REV A                         DN  5550    786      21
         060170 HORNS REV B                         DN  5558    761      10
         060190 SILSTRUP                            DN  5691    863       0
         060210 HANSTHOLM                           DN  5711    858       0
EKGF     060220 TYRA OEST                           DN  5571    480      43
EKTS     060240 THISTED LUFTHAVN                    DN  5706    870       8
         060290 GROENLANDSHAVNEN                    DN  5703   1005       0
EKYT     060300 FLYVESTATION AALBORG                DN  5708    985      13
         060310 TYLSTRUP                            DN  5718    995       0
         060320 STENHOEJ                            DN  5736   1033      56
         060330 HIRTSHALS                           DN  5758    995       0
EKSN     060340 SINDAL FLYVEPLADS                   DN  5750   1021      28
4
terdon

Bashで十分です。

#!/usr/bin/env bash

# ### create a psuedo hash of icao locator id's
# read each line into an array
while read -a line; do
  # set icao_nnnnnn variable to the value
  declare "icao_${line[0]}"=${line[1]}
done <file2


# ### match up icao id's from file1
# read in file line at a time
while IFS=$'\n' read line; do
  # split the line into array
  read -a arr <<< "$line"
  # if the icao_nnnnnn variable exists, it will print out
  var="icao_${arr[0]}"
  printf "%-8s %s\n" "${!var}" "$line"
done <file1

「ハッシュ」で何が起こっているかの詳細については、これを参照してください SO回答 Bash 4は連想配列をネイティブにサポートしていますが、これは3 + 4(おそらく2?)で機能するはずです。

書式設定を取得するには、file1から行を左トリミングする必要がある場合があります。

3
Matt

join(+さらにいくつかのツール)を使用して間隔を維持する簡単な方法を次に示します。両方のファイルはステーション番号でソートされているように見えるため、追加のソートは必要ありません。

_join -j1 -a1 -o 2.2 -e "    " file1 file2 | paste -d' ' - <(cut -c6- file1)
_

パイプの前の部分は、slm彼の答え で使用したものと非常に似ているので、もう一度説明しません。唯一の違いは、_-e " "_を使用していることです。これは、欠落している入力フィールドの代わりに4つのスペースの文字列を使用し、_-o 2.2_を使用してfile2の2番目のフィールドのみを出力します。
したがって、_join -j1 -a1 -o 2.2 -e " " file1 file2_は4文字幅の列を生成します(下には表示されませんが、EK **の後には何も表示されず、空の行は実際には4つのスペースです):

 
 EKVG 
 
 
 
 
 
 
 
 EKGF 
 EKTS 
 
 EKYT 
 
 
 
 EKSN 

次に、これを(区切り文字としてスペースを使用して)paste file1に移動し、そこからcut最初の5文字| paste -d' ' - <(cut -c6- file1)
最終結果:

_         060090 AKRABERG FYR                        DN  6138   -666     101
EKVG     060100 VAGA FLOGHAVN                       DN  6205   -728      88
         060110 TORSHAVN                            DN  6201   -675      55
         060120 KIRKJA                              DN  6231   -631      55
         060130 KLAKSVIK HELIPORT                   DN  6221   -656      75
         060160 HORNS REV A                         DN  5550    786      21
         060170 HORNS REV B                         DN  5558    761      10
         060190 SILSTRUP                            DN  5691    863       0
         060210 HANSTHOLM                           DN  5711    858       0
EKGF     060220 TYRA OEST                           DN  5571    480      43
EKTS     060240 THISTED LUFTHAVN                    DN  5706    870       8
         060290 GROENLANDSHAVNEN                    DN  5703   1005       0
EKYT     060300 FLYVESTATION AALBORG                DN  5708    985      13
         060310 TYLSTRUP                            DN  5718    995       0
         060320 STENHOEJ                            DN  5736   1033      56
         060330 HIRTSHALS                           DN  5758    995       0
EKSN     060340 SINDAL FLYVEPLADS                   DN  5750   1021      28
_
2
don_crissti