■Windows版Ruby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Ruby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]
Perlではどう処理する？
同じことをPerlではこうしています。

3.応用編

3-2.重複データの処理

3-2-1.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。前レコードと異なるキーを持つ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。また、入力データはキー順に並べ替えてあることが前提となっています。Rubyを利用して並べ替えを行う場合については、[2-4.ソート(並べ替え)処理]を参照してください。

なお、同様の処理を行う[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]については、入力データを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.rb 
# 内容 :　重複チェックプログラム（重複データを除いて出力する）  
# 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。    
# Copyright (c) 2002-2015 Mitsuo Minagawa, All rights reserved. 
# (minagawa@fb3.so-net.ne.jp)   
# 使用方法 : c:\>ruby single.rb 
#   
# 入力ファイル  
in1_file    =   open("double.txt","r")  
# 出力ファイル  
out1_file   =   open("single_only.txt","w") 

sv_key      =   nil 

# 主処理    
while   (line1  =   in1_file.gets)  
    line1.chomp!    
    in1 =   (line1 + ',')   
            .scan(/"([^"\\]*(?:\\.[^"\\]*)*)",|([^,]*),/)   
            .collect{|x,y| y || x.gsub(/(.)/, '\1')}    

#キー項目が単独のとき   
    in1_key =   in1[0]  
#キー項目が複数のとき   
#１番目と２番目と３番目の項目がキーとなる場合   
#   in1_key =   in1[0] + in1[1] + in1[2]    

    if      (sv_key     !=  in1_key)    
            out1    =   in1.join(",")   
            out1_file.print out1,"\n"   
    end     

    sv_key  =   in1_key 
end 

# ファイルのクローズ    
in1_file.close  
out1_file.close
【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】

スクリプトは「$sv_key」に1件前のキーを保存しておき、入力したキーと比較して、異なっていたら出力しているだけの簡単なものになっています。「$sv_key」には初期値として「$low_value」をセットしていますが、「undef」にしても可能です。

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

    line1.chomp!    
    in1 =   (line1 + ',')   
            .scan(/"([^"\\]*(?:\\.[^"\\]*)*)",|([^,]*),/)   
            .collect{|x,y| y || x.gsub(/(.)/, '\1')}

となっている箇所を

    in1 = line1.split("\t",-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「+」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) 2004-2015 Mitsuo Minagawa, All rights reserved.