■Windows版Perlの細道・けもの道

■ナビゲータ

[南北館(最初のメニュー)]

  1. [Windows版Perlの細道・けもの道]
    1. [1.準備編]
    2. [2.基本編]
    3. [3.応用編]
      1. [3-1.固定長データとCSVデータとの変換]
      2. [3-2.重複データの処理]
        1. [3-2-1.キーの重複したデータを1つにする]
        2. [3-2-2.キーの重複したデータだけを出力する]
        3. [3-2-3.キーの重複したデータにマークをつけて、出力する]
        4. [3-2-4.ハッシュを使って、キーの重複したデータを1つにする]
        5. [3-2-5.ハッシュを使って、キーの重複したデータだけを出力する]
        6. [3-2-6.ハッシュを使って、キーの重複したデータにマークをつけて、出力する]
      3. [3-3.フォルダ内の一括処理]
      4. [3-4.1つのファイルを複数のファイルに分割する]
      5. [3-5.文字コードの変換]
      6. [3-6.半角全角変換]
      7. [3-7.多次元配列の処理]
      8. [3-9.その他]
    4. [スクリプトと入力データのサンプル]
rubyではどう処理する?
同じことをrubyではこうしています。

3.応用編

3-2.重複データの処理

3-2-4.ハッシュを使って、キーの重複したデータを1つにする

CSVファイルを読み込んで、キーが重複しているレコードを除去して、キーがユニークなレコードだけを出力するスクリプトです。同じキーを持つデータが1件しかない場合のみ出力するようにしています。

実際に応用する場合は、入出力データのファイル名などを変更してください。

なお、[3-2-1.キーの重複したデータを1つにする]と異なり、入力データはキー順に並べ替えておく必要はありません。

【スクリプト】
# single_hash.pl    
# 内容 : 重複データ除去    
# 前提 : 重複チェックしたいキーであらかじめソートしておく必要はない。  
# Copyright (c) 2013 Mitsuo Minagawa, All rights reserved.  
# (minagawa@fb3.so-net.ne.jp)   
# 使用方法 : c:\>perl single_hash.pl    
#   
# 出力用ハッシュ    
my %out1;   

# マスタデータをハッシュに入れる    
open(IN1,"double.txt"); 
while($line1    =   <IN1>) {    
    chomp($line1);  
#---区切り文字により、処理を変更する----------  
#タブ区切りのとき   
#   @in1    =   split("\t",$line1); 

#カンマ区切りのとき 
    my $tmp =   $line1; 
    $tmp    =~  s/(?:\x0D\x0A|[\x0D\x0A])?$/,/; 
    @in1    =   map {/^"(.*)"$/ ? scalar($_ = $1, s/""/"/g, $_) : $_}   
                    ($tmp =~ /("[^"]*(?:""[^"]*)*"|[^,]*),/g);  
#-----------------  
    $in1_key    =   $in1[0];    
# ハッシュのキーが存在しない場合    
    unless  (exists $out1{$in1_key})    {   
            @double     =   (); 
            push(@double,$line1);
            $out1{$in1_key} =   [@double];  
    }   
}   
close(IN1); 


open(OUT1,">single_only.txt");  
# ハッシュのキーをソートして出力する    
foreach my $key (sort keys %out1) { 
# キーと件数をカンマ区切りで結合し、出力する    
        print OUT1 join("\n", @{$out1{$key}})."\n"; 
}   
close(OUT1);
    
【スクリプトとデータのサンプル】

スクリプトはこちらにあります。

入力データのサンプルはこちらにあります。

【スクリプトの解説】

それでは、スクリプトの解説を個別に行っていきましょう。

重複しないデータのみセット

# ハッシュのキーが存在しない場合    
    unless  (exists $out1{$in1_key})    {   
            @double     =   (); 
            push(@double,$line1);
            $out1{$in1_key} =   [@double];  
    }   
   

重複しているかどうかをハッシュを使って判定しています。ハッシュのキーが存在していない場合は重複していないものとして、データをハッシュにセットします。

データ出力

# ハッシュのキーをソートして出力する    
foreach my $key (sort keys %out1) { 
# キーと件数をカンマ区切りで結合し、出力する    
        print OUT1 join("\n", @{$out1{$key}})."\n"; 
}   
   

ハッシュのキー順に並べ替えて、ハッシュのデータを出力します。

その他注意すべきこと

その他、注意すべき点は入力データがタブ区切りなどの場合とキーが複数ある場合の処理です。

1.入力データがタブ区切りの場合

上記のスクリプトはCSV2形式以外の引用符(")を使用する場合を含め、あらゆるCSVファイルに対応できるようになっていますが、入力データがタブ区切りの場合は

    my $tmp =   $line1; 
    $tmp    =~  s/(?:\x0D\x0A|[\x0D\x0A])?$/,/; 
    @in1    =   map {/^"(.*)"$/ ? scalar($_ = $1, s/""/"/g, $_) : $_}   
                ($tmp =~ /("[^"]*(?:""[^"]*)*"|[^,]*),/g);  
   

上記の部分を

          @in1 = split("\t",$line1,-1);
   

と変更します。

2.キーが複数の項目から成り立っている場合

「$in1_key = $in1[0];」の部分を

          $in1_key = $in1[0].$in1[1].$in1[2];   
    

のように変更します(文字列の連結は「.」(ピリオド)を使う)。

【入力データ】
aaa,1
aaa,2
aaa,3
bbb,1
ccc,1
ccc,2
ddd,1
ddd,2
ddd,3
ddd,4
eee,1
fff,1
ggg,1
hhh,1
hhh,2
hhh,3
    
【出力データ】
aaa,1
bbb,1
ccc,1
ddd,1
eee,1
fff,1
ggg,1
hhh,1
    



Copyright (c) 2004-2013 Mitsuo Minagawa, All rights reserved.