使用特定于列的重复过滤器在 Python 中将行附加到 CSV

Posted 2023-03-11

【中文标题】使用特定于列的重复过滤器在 Python 中将行附加到 CSV

【英文标题】：Appending rows to CSV in Python with column-specific duplicate filter

【发布时间】：2013-11-12 01:28:05

【问题描述】：

所以我希望 Python 使用 csv 读取器/写入器获取目录中的所有 CSV 并将它们组合起来，同时过滤掉第二列中包含与任何其他行的值重复的任何行。

这是我无法运行的脚本：

import csv
import glob

with open('merged.csv','a') as out:
    seen = set()
    output = []
    out_writer = csv.writer(out)
    csv_files = [f for f in glob.glob('*.csv') if 'merged' not in f]
#csv_files = glob.glob('*.csv') 
     # I'd like to use all files including the output so that I don't
     # have to rename it when reusing the script - it should dupe-filter itself!
for filename in csv_files:
    with open(filename, 'rb') as ifile:
        read = csv.reader(ifile, delimiter=',')
        for row in read:
            if row[1] not in seen:
                seen.add(row[1])
                if row: #was getting extra rows
                    output.append(row)
out_writer.writerows(output)

我觉得我一定错过了一些简单的东西。我的文件每个大小约为 100MB，我最终希望自动执行此操作，以便不同的计算机可以共享一个合并文件以进行重复检查。

为了获得额外的积分，我将如何更改它以检查同时具有 row[1] 和 row[2] 的行？ （当然，一旦欺骗过滤器和自我包含起作用......）

【参考方案1】：

我建议使用 pandas 而不是 csv 编写器。我会把你的代码改写成这样：

import pandas as pd
import glob

data = pd.concat([pd.DataFrame.from_csv(file) for
                  file in glob.glob("*.csv")]).drop_duplicates(cols=COLNAME_LIST)
data.to_csv('merged.csv')

我没有测试过这段代码，因为我没有大量的 csv 文件，但我之前成功地写过类似的东西

【讨论】：

哎呀，如果你觉得万圣节的各种疯狂，你甚至可以把它做成一个单行字pd.concat([pd.DataFrame.from_csv(file) for file in glob.glob("*.csv")]).drop_duplicates(cols=COLNAME_LIST).to_csv('merged.csv')

太棒了 - 我一直在考虑与 pandas 合作，因为我实际上有很多这类东西可以使用。现在进入比等到有必要并且必须翻译所有内容更有意义。这将仅根据第 2 列检查重复项，还是会删除任何列条目上的重复项？我真的需要查一下 pandas 的基础知识。

您可以向它传递您想要检查重复项的列列表（请参阅上面的 COLNAME_LIST）。在列上添加标签会有所帮助（只需将文件中的第一行作为标题名称即可），但如果不这样做，它们将只有数字标题。您应该注意的另一件事是索引，因为它们会自动创建为每行中的第一个值。我不确定您的 csv 文件的结构，但希望这对您来说不是问题。无论哪种方式都没什么大不了的

我收到AttributeError: 'module' object has no attribute 'concat'

你用的是什么版本的熊猫？我在 0.12

【参考方案2】：

这不仅仅是 pandas 可能需要的少量行，因为它是 Python 标准，但另一方面它相对简单，可以过滤多个列值，并处理重新读取以前的结果。它使用fileinputmodule 允许将其多个输入文件视为单个连续的数据行流。

import csv
import fileinput
import glob
import os

merged_csv = 'merged.csv'
columns = (1, 2)  # columns used for filtering
pathname = '*.csv'
tmpext = os.extsep + "tmp"
csv_files = glob.glob(pathname)

if merged_csv not in csv_files:
    prev_merged = None
else:
    prev_merged = merged_csv + tmpext
    os.rename(merged_csv, prev_merged)
    csv_files[csv_files.index(merged_csv)] = prev_merged

with open(merged_csv, 'wb') as ofile:
    csv_writer = csv.writer(ofile)
    written = set()  # unique combinations of column values written
    csv_stream = fileinput.input(csv_files, mode='rb')
    for row in csv.reader(csv_stream, delimiter=','):
        combination = tuple(row[col] for col in columns)
        if combination not in written:
            csv_writer.writerow(row)
            written.add(combination)

if prev_merged:
    os.unlink(prev_merged)  # clean up

print '!r file written'.format(merged_csv, 're' if prev_merged else '')