☰

Groupwise Uniq-Befehl?

tag-icon • tag-icon text-processing awk group uniq
Groupwise Uniq-Befehl?

Ich suche nach einem Befehl, um aus einer Datei in diesem Format Folgendes abzurufen:

hello 32
hello 67
hi    2
ho    1212
ho    1390
ho    3000

Zu diesem Format (Deduplizierung durch Auswahl der letzten Zeile einer „Gruppe“):

hello 67
hi    2
ho    3000

Im Moment verwende ich einen Python- und Pandas-Ausschnitt:

    df = pd.read_csv(self.input().path, sep='\t', names=('id', 'val'))

    # how to replace this logic with shell commands?
    surface = df.drop_duplicates(cols=('id'), take_last=True)

    with self.output().open('w') as output:
        surface.to_csv(output, sep='\t', cols=('id', 'val'))

Update: Danke für die tollen Antworten. Hier sind einige Benchmarks:

Die Eingabedatei ist 246 MB groß und enthält 8583313 Zeilen. Die Reihenfolge spielt keine Rolle. Die erste Spalte hat eine feste Größe von 9 Zeichen.

Beispiel der Eingabedatei:

000000027       20131017023259.0        00
000000027       20131017023259.0        11
000000035       20130827104320.0        01
000000035       20130827104320.0        04
000000043       20120127083412.0        01
...

                              time        space complexity

tac .. | sort -k1,1 -u        27.43682s   O(log(n))
Python/Pandas                 11.76063s   O(n)
awk '{c[$1]=$0;} END{for(...  11.72060s   O(n)

Da die erste Spalte eine feste Länge hat, uniq -wkann auch verwendet werden:

tac {input} | uniq -w 9        3.25484s   O(1)

Antwort1

Das scheint verrückt und es gibt hoffentlich einen besseren Weg, aber:

tac foo | sort -k 1,1 -u

tacwird verwendet, um die Datei umzukehren, sodass Sie die letzte statt der ersten erhalten.

-k 1,1besagt, dass zum Vergleich nur das erste Feld verwendet werden soll.

-umacht es einzigartig.

Antwort2

Wenn Ihnen die Reihenfolge der Ausgabe nichts ausmacht, gibt es hier eine awkLösung:

$ awk '
    {a[$1] = !a[$1] ? $2 : a[$1] < $2 ? $2 : a[$1]}
    END {
        for (i in a) { print i,a[i] }
    }
' file
hi 2
hello 67
ho 3000

Antwort3

Weitere Optionen:

  1. perl, wenn Ihnen die Reihenfolge der Zeilen egal ist.

    perl -lane '$k{$F[0]}=$F[1]; END{print "$_ $k{$_}" for keys(%k)}' file

  2. Eine einfachereawk

    awk '{c[$1]=$0;} END{for(i in c){print c[i]}}' file

  3. Eine dumme Muschel

    while read a b; do grep -w ^"$a" file | tail -n1 ; done < file | uniq

Antwort4

Nun, Sie können es tun mitsort

sort -u -k1,1 test

BEARBEITEN:tac ist die Lösung

verwandte Informationen