■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

3-2-2.キーの重複したデータだけを出力する

CSVファイルを読み込んで、キーが重複したレコードだけを出力するスクリプトです。

重複レコードだけを出力するには、1件前のレコードと同一のキーを持つレコードがあれば、1件前のレコードを出力すると同時に、1件前のレコードのキーと異なる場合でも、さらにもう1件前(つまり2件前)のキーを保存しておき、1件前のキーと2件前のキーが同じ場合も1件前のレコードを出力するようにしています。こうすることによって、重複レコードをすべて出力できるのです。

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[3-2-5.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]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】
# double.rb 
# 内容 : 重複チェックプログラム(重複データのみ出力する)  
# 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 double.rb 
#   
# 入力ファイル  
in1_file    =   open("double.txt","r")  
# 出力ファイル  
out1_file   =   open("double_only.txt","w") 

# 初期値設定    
in1_key     =   nil     #入力キー   
sv_key      =   nil     #1件前の保存キー    
sv_key2     =   nil     #2件前の保存キー    
in1_ctr     =   0       #入力件数   
save1       =   []      #保存データ 

# 主処理    
while       (line1  =   in1_file.gets)      
    line1.chomp!        
    in1_ctr +=  1   
    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_file.print save1.join(","),"\n"    
            sv_key2 =   sv_key  

    elsif   ((sv_key2   ==  sv_key)     &&  
            (sv_key !=  nil))   
            out1_file.print save1.join(","),"\n"    
            out1_file.print "-" * 80,"\n"   
    end 

    sv_key      =   in1_key 
    save1       =   in1 
end     

if      ((in1_ctr   >   0)  &&  
        (sv_key2    ==  sv_key))    
        out1_file.print save1.join(","),"\n"    
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】

スクリプトではまず「$sv_key」に1件前のキーを保存しておき、「$sv_key2」に2件前のキーを保存しておきます。そして、入力キーと1件前のキーを比較して同じ(したがって重複している)場合に、出力しています。また、入力キーと1件前のキーとを比較して異なっている場合でも、さらに1件前のキーである「$sv_key」と、2件前のキーである「$sv_key2」が同じである場合(したがって重複している)には出力しています。これは重複したキーを持つレコードの最後のレコード(重複したキーを持つレコードが3件あれば、3件目のレコード)を出力するためのロジックです。

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
aaa,2
aaa,3
--------------------------------------------------------------------------------
ccc,1
ccc,2
--------------------------------------------------------------------------------
ddd,1
ddd,2
ddd,3
ddd,4
--------------------------------------------------------------------------------
hhh,1
hhh,2
hhh,3
   



Copyright (c) 2004-2015 Mitsuo Minagawa, All rights reserved.