こんにちは。私はcsvファイルのロードを処理するための最速のソリューションを探しています。
状態： フォルダに複数のcsvファイルがありますその他ヘッダー
私は上部のガベージラインを削除するために前処理しました。標準ヘッダー。
私の考えではCSVファイルグループのマージそしてまったく同じ観客に新しいフォルダ
Single Folder:
Tree
├── 161598827330618_data_aa.csv
├── ..............
├── ...............
├── ................
├── 161598852706227_data_bh.csv
Note: Filenames are Random with no pattern*
サンプルファイル-1.csv
School Name,Project Description,Construction Award,Project type,Building ID,Building Address,City,Postcode
George HS - QUEENS,New,76850000,CAP,Q298,50-51 98TH STREET,Queens,11368
MARBLE HILL INTERNATIONAL HS -,EXT MASONRY/FLOOD/PARAPETS/ROOFS,10490000,CIP,X475,99 TERRACE VIEW AVENUE,Bronx,10463
NEW DORP HS - STATEN ISLAND,PARTIAL ACCESSIBILITY,488000,CIP,R435,465 NEW DORP LANE,Staten Island,10306
サンプルファイル-2.csv
School Name,Project Description,Construction Award,Project type,Building ID,Building Address,City,Postcode
EAST SIDE COMMUNITY SCHOOL,FIFTH FLOOR CEILING REPLACEMENT,150000,CIP,M060,420 EAST 12 STREET,Manhattan,10009
RICHMOND HILL HS - QUEENS,STEEL DETERIORATED COLUMS & COLUMN,1064400,CIP,Q475,89-30 114 STREET,Queens,11418
SUCCESS ACADEMY CHARTER SCHOOL,INTERIOR STAIRS,2045000,CIP,M099,410 EAST 100 STREET,Manhattan,10029
サンプルファイル-3.csv
Reporting Period,Project Number,City,County,Zip Code,Sector,Solicitation,Electric Utility
02/28/2021,2453,Youngstown,,14174,Non-Residential,ARRA Projects,National Grid
02/28/2021,218852,Queens,Queens,11356,Residential,PON 2112,Consolidated Edison
02/28/2021,220037,Warwick,Orange,10990,Residential,PON 2112,Orange and Rockland Utilities
02/28/2021,2011-230103-SLPR,Center Moriches,Suffolk,11934,Residential,Solar ARRA Funding,Long Island Power Authority
サンプルファイル-4.csv
Reporting Period,Project Number,City,County,Zip Code,Sector,Solicitation,Electric Utility
02/28/2021,2453,Youngstown,,14174,Non-Residential,ARRA Projects,National Grid
02/28/2021,218852,Queens,Queens,11356,Residential,PON 2112,Consolidated Edison
02/28/2021,220037,Warwick,Orange,10990,Residential,PON 2112,Orange and Rockland Utilities
02/28/2021,2011-230103-SLPR,Center Moriches,Suffolk,11934,Residential,Solar ARRA Funding,Long Island Power Authority
サンプルファイル-5.csv
OBJECTID,Borough,PSSite,ParkName,ParkZone,PSStatus,GlobalID,CreatedDate,UpdatedDate
283721,Brooklyn,Street,,,Populated,C90AAD08-D99E-4759-A64C-219D6143BFB3,07-08-15 13:10,12/20/2019 04:34:58 PM
7669836,Queens,Park,Astoria Park,Q004-ZN02,Empty,AB55A658-8276-4734-A698-5FFCAE96578E,08/13/2020 01:18:00 PM,08/20/2020 06:15:32 PM
7123408,Brooklyn,Park,Asser Levy Park,,Populated,B32D93C9-5958-4129-A87A-FA7C9A5A4E87,01-09-20 13:15,01-09-20 13:17
サンプルファイル-6.csv
OBJECTID,Borough,PSSite,ParkName,ParkZone,PSStatus,GlobalID,CreatedDate,UpdatedDate
6036681,Manhattan,Park,Riverside Park,,Populated,6A3E747D-CD5E-43EB-9789-67DB2064E878,04-11-18 11:11,08-06-20 21:21
7170578,Bronx,Park,Garden Of Eden,,Populated,B1E8B660-4B65-437F-B61F-06B1B71A4E1C,01/28/2020 03:18:00 PM,01/28/2020 03:19:26 PM
740416,Bronx,Park,Mullaly Park,X034-ZN02,Populated,E8F51E3B-CC6F-46A3-AF17-02B6BE8DCC57,08/26/2015 04:34:00 PM,01/30/2020 04:10:41 PM
5004669,Queens,Street,,,Populated,20157769-88EC-4867-9F50-852EF4814BF0,11-02-16 16:56,08-03-20 13:12:00 AM
サンプルファイル-7.csv
Indicator,Group,State,Subgroup,Phase,Time Period,Time Period Label,Value,Low CI,High CI,Confidence Interval
Private Health Insurance Coverage,National Estimate,United States,United States,1,1,Apr 23 - May 5,75.4,74.7,76.2,74.7 - 76.2
Public Health Insurance Coverage,By Age,United States,18 - 24 years,1,1,Apr 23 - May 5,19.5,15.4,24.3,15.4 - 24.3
Uninsured at the Time of Interview,By Gender,United States,Female,1,1,Apr 23 - May 5,11,10.3,11.7,10.3 - 11.7
サンプルファイル-8.csv
Year, dtmSurveyDate, ColonyID, strAOUCode, Type, strPhotoInterpreters, strColonyName, strCounty, strState, strCountry
2014,03-Jun-14,219-001,COMU,Image Check - No Birds,Kirsten Bixler,"""Tillamook Head Rocks"" (Eastern Rocks)",Clatsop County,Oregon,United States
2014,03-Jun-14,219-002,COMU,Image Check - No Birds,Kirsten Bixler,"""Tillamook Head Rocks"" (Northern Rock)",Clatsop County,Oregon,United States
2014,03-Jun-14,219-003,COMU,Shapefile-RawCount,Kirsten Bixler,"""Tillamook Head Rocks"" (Southwestern Rocks)",Clatsop County,Oregon,United States
2014,03-Jun-14,219-005,COMU,Shapefile,Shawn W. Stephensen,Tillamook Rock,Clatsop County,Oregon,United States
望ましい結果：
例File-1.csv}
例File-2.csv}ヘッダーチェック>>マージSame Header found>GROUP-1.csv
例ファイル-3.csv}
例ファイル-4.csv}ヘッダー確認>>マージSame Header found>GROUP-2.csv
例File-5.csv}
例File-6.csv}ヘッダーチェック>>マージSame Header found>GROUP-3.csv
サンプルファイル-7.csv}ヘッダー
チェック>>なし>サンプルファイル-8.csv}ヘッダーチェック>>No Similar Headers なし >GROUP-5.csvNo Similar HeadersGROUP-6.csv
好ましい解決策：BashスクリプトとLinuxコマンドを試した解決策：
#!/bin/bash
awk '
FNR==1{
if (!($0 in h)||file!=h[$0]){close(file)}
if (!($0 in h)){file=h[$0]=i++}
else{file=h[$0];next}
}
{print >> (file)}
' ./*.csv
https://unix.stackexchange.com/a/602291/459978 上記の方法は有効ですが、処理と分類のために何千ものファイルを処理できるかどうかはわかりません。別のフォルダに Group*.csv 形式を作成する必要があります。
最小完了時間が重要です https://stackoverflow.com/a/51921621/3088275
Awk、Sed、またはLinuxのいずれかのコマンドを使用して、目的の出力を取得するための最速のコマンドを使用してbashスクリプトの作業コードを見つけます。
ベストアンサー1
重複ヘッダーは隣接するファイルにのみ見つかりますか？この答えでは、これが真でない場合は処理したいと思います。
#!/bin/bash
# Declare header_list[] to be an associative array
declare -A header_list
# Read the first line from every *.csv file in $1
# Each filename is added to the appropriate entry in header_list[]
for f in "${1:?}"/*.csv; do
echo "### Reading header from $f"
header_list[$(head -1 "$f")]+="${IFS}$f"
done
# Handle the list of files for each entry in header_list[]
group_id=1
for key in "${!header_list[@]}"; do
value="${header_list[$key]}"
groupfile="${2:?}/GROUP-${group_id}.csv"
echo "### Header: ${key}"
echo "### Group File: ${groupfile}"
# Echo the header as the first line of $groupfile
echo "${key}" > "${groupfile}"
# Skip the first line, but echo every other line from each file with this header
for file in ${value}; do
echo "# File: ${file}"
tail --lines=+2 "$file" >> "${groupfile}"
done
# Increment group_id
(( group_id++ ))
done
ファイルに保存し、ソースファイルを含むディレクトリと出力ディレクトリの2つのパラメータを使用して実行します。
いくつかの注意：
- 出力ディレクトリが必要です。
- $ IFSに文字を含むファイル名は正しく処理されません。