在python中使用重复项对csv文件进行条件过滤

时间:2013-06-14 09:11:59

标签: python

我是python的新手,需要一些关于以下内容的建议。 我有一个包含多个字段的文件,例如

# with duplicates
name1 14019 3 0.5564 0.0929 0.6494
name1 14022 0 0.5557 0.0990 0.6547
name1 14016 0 0.5511 0.0984 0.6495
name2 11 8 0.5119 0.0938 0.6057
name2 12 18 0.5331 0.0876 0.6206
name3 16 20 0.5172 0.0875 0.6047
name3 17 29 0.5441 0.0657 0.6098
# without duplicates
name1 14022 0 0.5557 0.0990 0.6547
name2 12 18 0.5331 0.0876 0.6206
name3 17 29 0.5441 0.0657 0.6098

首先是名称,其他字段是数字(来自预测)。 预测的重复项具有相同的名称但预测不同。 我的任务是根据最后一个字段的比较删除重复项。 应该采用最后一列中MAXIMUM的行。

我在比较重复条目的最后字段的步骤上。 我应该使用lambda还是直接过滤?列表是否正确使用,或者在从文件中逐行读取时可以在流上执行此操作?

你们非常感谢我们!

import csv

fi = open("filein.txt", "rb")
fo = open("fileout.txt", "wb")

reader = csv.reader(fi,delimiter=' ')
writer = csv.writer(fo,delimiter=' ')

names = set()
datum = []
datum2 = []

for row in reader:
  if row[0] not in names:
    names.add(row[0])
    row_new1 = [row[0],row[3],row[4],row[5]]
    datum.append(row_new)
    writer1.writerow(row_new1)
  else:
    row_new2 = [row[0],row[3],row[4],row[5]]
    datum2.append(row_new2)
    writer2.writerow(row_new2)

3 个答案:

答案 0 :(得分:1)

下面的代码可能有些用处,我是用字典做的:

import csv

fi = open("filein.txt", "rb")
reader = csv.reader(fi,delimiter=' ')

dict = {}
for row in reader:
    if row[0] in dict:
        if float(dict[row[0]][-1]) < float(row[-1]):
            dict[row[0]] = row[1:]
    else:
        dict[row[0]] = row[1:]
print dict

输出:

{'name2': ['12', '18', '0.5331', '0.0876', '0.6206'], 'name3': ['17', '29', '0.5441', '0.0657', '0.6098'], 'name1': ['14022', '0', '0.5557', '0.0990', '0.6547']}

答案 1 :(得分:0)

itertools是你的朋友:

import csv
import itertools
import operator

fi = open("filein.txt", "rb")
fo = open("fileout.txt", "wb")

reader = csv.reader(fi,delimiter=' ',)
writer = csv.writer(fo,delimiter=' ')


# unpack datas in generator
duplicated_datas = ( tuple(row)  for row in reader )


# groupby name
groups = itertools.groupby(duplicated_datas,key=operator.itemgetter(0))


for k,v in groups:

    # sort by 5-th value
    val = [values for values in v]
    val.sort( key= lambda x: float(x[5]), reverse=True )

    #output
    writer.writerow( ",".join( [ i for i in val[0] ] ) )

答案 2 :(得分:0)

我希望我能很好地理解你的问题。 Pandas是一个非常有效的库,您也可以将它用于这些简单的任务。

import pandas as pd
data = pd.read_csv('dataset.csv') # filein.txt in your case
length = len(data['names'].unique())
res = pd.DataFrame(columns=('names', 'field1', 'field2','field3','field4','field5'))
for i in range(0,length):
    name_filter = data[data['names'] == data['names'].unique()[i]] #filters the entire dataset based on the unique items in the 'names' field
    field5_max_filter = name_filter[name_filter['field5'] == name_filter['field5'].max() ] # filters the name based on the max value from 'field5'
    res = res.append(field5_max_filter, ignore_index=True) # appends output to new dataframe
    i=i+1
    res.to_csv('newdata.csv') # writes output to csv