■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

3-2-5.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

CSVファイルを読み込んで、キーが重複している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2件以上ある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、[3-2-2.キーの重複したデータだけを出力する]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】
# double_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 double_hash.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") 

# 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]    

# ハッシュのキーがすでに存在する場合    
    if      (out1.include?(in1_key))    
            double  =   out1[in1_key]   
            double[0]   +=  1   
            double.push(line1)  
            out1[in1_key]   =   double  
# ハッシュのキーが存在しない場合    
    else    
            double  =   []  
            double[0]   =   1   
            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|   
# 件数が2件以上のとき(重複データのとき) 
    if      (out1[key][0]   >   1)  
            out1[key].shift 
            w_temp  =   [out1[key]].join("\n")  
            out1_file.print "#{w_temp}\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】

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。

重複しているかどうかで振り分ける

# ハッシュのキーがすでに存在する場合    
    if      (out1.include?(in1_key))    
            double  =   out1[in1_key]   
            double[0]   +=  1   
            double.push(line1)  
            out1[in1_key]   =   double  
# ハッシュのキーが存在しない場合    
    else    
            double  =   []  
            double[0]   =   1   
            double.push(line1)  
            out1[in1_key]   =   double  
    end 
   

ハッシュのデータ部分を配列にしています。そして0番目の要素に同じキーが存在する件数を入れ、1番目以降の要素に実際のデータを入れていきます。ハッシュの要素に別の配列に代入することができます。

ハッシュのキーをソートして出力する

# 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|   
# 件数が2件以上のとき(重複データのとき) 
    if      (out1[key][0]   >   1)  
            out1[key].shift 
            w_temp  =   [out1[key]].join("\n")  
            out1_file.print "#{w_temp}\n"   
    end 
}   
   

"out1[key][0]"とすることで、ハッシュのデータ部分の配列の0番目の要素を取り出すことができます。0番目の要素にキーごと件数をセットしていますので、2件以上の場合に出力しています。その際、0番目の要素は"shift"で削除してから出力しています。

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)。

【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.