ITPub博客

首页 > IT职业 > IT职场 > 文件数据去重示例

文件数据去重示例

原创 IT职场 作者:嘟嘟是只喵 时间:2020-11-20 09:32:37 0 删除 编辑

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。


来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/31543054/viewspace-2735406/,如需转载,请注明出处,否则将追究法律责任。

请登录后发表评论 登录
全部评论

注册时间:2018-06-20

  • 博文量
    192
  • 访问量
    104736