美文网首页
文件数据去重示例

文件数据去重示例

作者: 小黄鸭呀 | 来源:发表于2020-11-20 00:06 被阅读0次

    在数据处理业务中,有时需要清除文件中的重复数据或只留下重复数据,本文将从小文件、大文件两方面介绍整行去重、关键列去重的几种处理办法,并提供用 esProc SPL 编写的代码示例。esProc 是专业的数据计算引擎,SPL 中有一套完善的集合运算领域的函数库,很适合处理文件去重,写出的代码非常简洁。

    1.   小文件

    1.1  整行去重

    有一个文本文件,其每一行是一个字符串,要将文件中的重复行只保留一行。处理此问题可以把文件的每一行读成一个字符串,组成一个集合,然后通过集合去重运算得出结果。

    示例:报名绘画兴趣班的同学学号姓名记录在paint.txt中,可能有些同学报了多次,请删除文件中重复的报名后保存在paint1.txt中。原文件部分数据如下所示

        20121102-Joan

        20121107-Jack

        20121113-Mike

        20121107-Jack

    esProc SPL脚本如下:

    1.2  关键列比较

    一个文件,有多列数据,第一行是列名,第二行开始是数据记录,要对文件中关键列的内容进行比较,对关键列内容重复的行进行删除或只保留重复的行。

    现有2018年的销售订单表order_2018.xlsx,部分数据如下所示:

    1.2.1.  去除重复

    示例1:请求出2018年购买产品的所有不同的客户Id,保存在文件2018c.xlsx中。

    esProc SPL脚本如下:

    示例2:请求出2018年各位客户购买了哪些不同产品,将CustomerId和ProductId保存在文件2018c_p.xlsx中。

    esProc SPL脚本如下:

    1.2.2.   只保留重复

    示例:请求出2018年回头客(即多次购买同种产品的客户)的订单情况,将结果保存在文件2018c_rebuy.xlsx中。

    esProc SPL脚本如下:

    2.  大文件

    大文件数据不能一次性全部装进内存,不能象小文件数据那样全部读出来再进行重复性比较,需要分批读出数据去比较。esProc SPL提供了游标来处理大文件运算,使大文件去重运算也变得十分方便。

    2.1  整行去重

    有大文本文件,其每一行是一个字符串,要将文件中的重复行只保留一行。处理此问题要把文件的每一行读成一个字符串,成为游标中的一条记录,然后通过游标的去重运算得出结果。

    示例:现有全国房产产权人员登记表大文件all.txt,里面记录产权人的身份证及姓名,部分数据如下所示:

        510121198802213364-Joan

        110113199203259852-Jack

        201264197206271113-Mike

    由于有些人员在多个州拥有房产,所以文件中会有重复的登记,请将重复的登记只保留一个,将结果保存在all2.txt中。esProc SPL脚本如下:

    2.2  关键列比对

    本节仍用销售订单表为例,是所有年份的合并销售订单表orders.xlsx,是个大文件。

    2.2.1.   去除重复

    示例1:请找出购买产品的所有不同的客户Id,保存在文件customers.xlsx中。

    esProc SPL脚本如下:

    示例2:请找出各位客户购买了哪些不同产品,将CustomerId和ProductId保存在文件c_p.xlsx中。

    esProc SPL脚本如下:

    2.2.2.   只保留重复

    示例:请找出回头客(即多次购买同种产品的客户)的订单情况,将结果保存在文件c_rebuy.xlsx中。

    esProc SPL脚本如下:

    SPL CookBook》中还有更多相关计算示例。

    相关文章

      网友评论

          本文标题:文件数据去重示例

          本文链接:https://www.haomeiwen.com/subject/wumriktx.html