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。
# single_hash.rb # 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) 2013-2015 Mitsuo Minagawa, All rights reserved. # (minagawa@fb3.so-net.ne.jp) # 使用方法 : c:\>ruby single_hash.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") # 出力用ハッシュ out1 = Hash.new # 主処理 while (line1 = in1_file.gets) line1.chomp! #---区切り文字により、処理を変更する---------- #タブ区切りのとき # in1 = line1.split("\t",-1) #カンマ区切りのとき 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] # ハッシュのキーが存在しない場合 unless (out1.include?(in1_key)) double = [] double.push(line1) out1[in1_key] = double end end # ハッシュのキーをソートして出力する out1.sort_by{|key| key }.each{|key,value| w_temp = [value].join("\n") out1_file.print "#{w_temp}\n" } # ファイルのクローズ in1_file.close out1_file.close
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 (out1.include?(in1_key)) double = [] double.push(line1) out1[in1_key] = double end end
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 out1.sort_by{|key| key }.each{|key,value| w_temp = [value].join("\n") out1_file.print "#{w_temp}\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
#カンマ区切りのとき in1 = (line1 + ',') .scan(/"([^"\\]*(?:\\.[^"\\]*)*)",|([^,]*),/) .collect{|x,y| y || x.gsub(/(.)/, '\1')}
上記の部分を
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)。
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
aaa,1 bbb,1 ccc,1 ddd,1 eee,1 fff,1 ggg,1 hhh,1