使用 Perl 计算管道分隔文本文件的每一列中的唯一值

Question

我的 Solaris 服务器主目录中有两个示例管道分隔文件，如下所示：

file1.txt：

ticker|sedol|cusip|exchnage  
ibm   |ibm_1|ib   |london    
hcl   |     |hcl_02|london    
hp    |hp_01|hpm  |newyork
      |lkp   |lk_2 |newyork

file2.txt：

exchnage|ticker|sedol|cusip  
london  |goo   |goo_1|gm  
london  |hcl   |     |hcl_02  
newyork |hp    |hp_01|hpm  
newyork |tyl   |     |ty_2

我需要一个结果文件，我们将在其中按交换对 ticker、sedol、cusip 的唯一计数进行分组：

预期结果文件如下：

exchnage|ticker|sedol|cusip  
london  |3     |2    |3  
newyork |3     |2    |2

我知道使用 SQL 很容易，但遗憾的是不能涉及数据库。每个文件大小可能高达 300-400 MB。我们最好使用 Perl 来完成它，或者如果非常困难，那么使用 Python。主要环境是 Solaris，但我们也可以在 Unix 服务器上试用。现在增加的需要是“交换”列的位置可以在两个文件中的任何位置。

Answer 1

不是最优雅的，但我为您的新要求设计的最快的：

import glob
import os
import sys

path = "/tmp"
file_mask = "file*.txt"
results = {}

for file in glob.glob(os.path.join(path, file_mask)):
    column_names = {}
    exchange_col = None
    with open(file, "r") as f:
        for line_num, line in enumerate(f.xreadlines()):
            # process header
            if not line_num:
                line_parsed = line.strip().split("|")
                for column_num, column in enumerate(line_parsed):
                    if column.strip() == "exchnage":
                        exchange_col = column_num
                    else:
                        column_names[column_num] = column.strip()
                if exchange_col is None:
                    print "Can't find exchnage field"
                    sys.exit(1)
                continue
            line_parsed = line.strip().split("|")
            if len(line_parsed) != len(column_names) + 1:
                continue
            # prepare empty structure for excahnge, if not added yet
            if not line_parsed[exchange_col].strip() in results:
                results[line_parsed[exchange_col].strip()] = {column_name:set() for column_name in column_names.values()}
            # add uniq items to exchange
            for column_num, column in enumerate(line_parsed):
                column_val = column.strip()
                # add only non empty values
                if column_val and column_num != exchange_col:  
                    results[line_parsed[exchange_col].strip()][column_names[column_num]].add(column_val)

column_names = column_names.values()
print "exchnage|" + "|".join("%8s" %c for c in column_names)
for exchange, values in results.iteritems():
    print "%8s|" % exchange + "|".join("%8s" % str(len(values[column])) for column in column_names)

程序输出（作为输入使用了具有不同列顺序的新文件）：

$ python parser.py
exchnage|  ticker|   sedol|   cusip
 newyork|       2|       2|       3
  london|       3|       2|       3

Answer 2

#!/usr/bin/perl

use strict;
use warnings;
use Data::Dumper;

my %unique_ticker_count;
my %unique_sedol_count;
my %unique_cusip_count;

my @headers = split( '|', <DATA> );
print @headers;

while ( my $line = <DATA> ) {
    my ( $exchange, $ticker, $sedol, $cusip ) = split( /\|/, $line );
    if ( $ticker =~ m/\w/ ) { $unique_ticker_count{$exchange}{$ticker}++; }
    if ( $sedol =~ m/\w/ )  { $unique_sedol_count{$exchange}{$sedol}++; }
    if ( $cusip =~ m/\w/ )  { $unique_cusip_count{$exchange}{$cusip}++; }
}

print Dumper \%unique_ticker_count;

foreach my $exchange ( keys %unique_ticker_count ) {
    print join( "|",
        $exchange,
        scalar keys %{ $unique_ticker_count{$exchange} } || 0,
        scalar keys %{ $unique_sedol_count{$exchange} }  || 0,
        scalar keys %{ $unique_cusip_count{$exchange} }  || 0,
        ),
        "\n";
}

__DATA__
exchnage|ticker|sedol|cusip  
london  |ibm   |ibm_1|ib  
london  |hcl   |     |hcl_02  
newyork |hp    |hp_01|hpm  
newyork |lkp   |lk_2 |
london  |goo   |goo_1|gm  
london  |hcl   |     |hcl_02  
newyork |hp    |hp_01|hpm  
newyork |tyl   |     |ty_2

将打印：

newyork |3|2|2
london  |3|2|3

我将由您来处理文件打开和处理 - 这只是说明您可以采取的方法。

Answer 3

我认为，首先您需要从文件中创建一个字典列表，例如： {'exchnage':'london','ticker':'ibm','sedol':'ibm_1','cusip':'ib'}。比您需要一个 for-each 语句来将所有值添加到列表中，但仅当值不是 None 时，空 & 值不在列表中。然后，您将获得列表中的所有唯一值，您需要对它们进行计数。
您需要对文件中的所有列执行此操作。
之后，您需要将其写入文件中。