Question

我尝试匹配某些CSV的某些数据时遇到了一些麻烦。我在下面有一些示例CSV，其中包含我正在使用的数据的基本结构。

我尝试将CSV 2中A列的值与CSV 1中E列的值匹配，然后如果匹配，则将CSV 1中的行写入新CSV。

代码

with open(CSV1,"r") as f, open(CSV2,"r") as g, open("Match.csv","w",newline='') as h:
    rdr1 = csv.reader(f)
    rdr2 = csv.reader(g)
    wtr = csv.writer(h)
    for r in rdr1:
        for s in rdr2: 
            if (s[0] == r[4]):
                print("match")

我正在使用一个包含100,000行的数据集，因此会有更多匹配，匹配会重复几次。在这个例子中，只有一次匹配两次（92）。

使用我的代码，我假设我循环遍历第一个CSV中的所有行，并且对于每一行，我循环遍历第二个CSV中的所有行。如果值相等，我打印'匹配'。

我遇到的问题是它最多只打印一次“匹配”。我试着考虑一下，但我现在几乎陷入困境。每当值[0]等于r [4]时，控制台不应该打印“匹配” - 在这个例子中，这会多次发生。

我想确保每次匹配时，作者在我的输出CSV中写入一个新行，但我只是得到第一个匹配。救命啊！

CSV 1

A   B       C           D           E
A   Test1   0.101534549 0.590695315 95
B   Test2   0.8264073   0.120144407 44
C   Test3   0.977242848 0.067444475 97
D   Test4   0.270980415 0.524929719 62
E   Test5   0.059128388 0.260576647 36
F   Test6   0.571208391 0.246145371 85
G   Test7   0.098088188 0.618968191 91
H   Test8   0.898575649 0.56778217  88
I   Test9   0.233745198 0.514747763 2
J   Test10  0.452100086 0.749702553 97
K   Test11  0.493666064 0.002437728 80
L   Test12  0.052633239 0.864048743 22
M   Test13  0.635517951 0.716967917 21
N   Test14  0.921723813 0.766473275 22
O   Test15  0.54634609  0.853116802 92
P   Test16  0.400754273 0.993727094 61
Q   Test17  0.549368986 0.868975583 46
R   Test18  0.301279637 0.222360597 65
S   Test19  0.152111468 0.698786954 1
T   Test20  0.313768676 0.354556772 21

CSV 2

Answer 1

这样的事情应该有效：

with open(CSV1, 'r') as f, open(CSV2, 'r') as g, open('Match.csv', 'w', newline='') as h:
    rdr1 = csv.reader(f)
    rdr2 = csv.reader(g)
    wtr = csv.writer(h)

    # build up a set of everything in CSV2
    haystack = set()
    for i, line in enumerate(rdr2):
        if i == 0:
            continue # skip header line
        haystack.add(line[0])

    # check each line for a match in our set
    for line in rdr1:
        needle = line[4]
        if needle in haystack:
            wtr.writerow(line)

它保持与您正在做的相同的基本想法，但是将一整个文件读入一个集合（名为haystack），然后我们检查目标单元格的成员资格（名为needle）。

正如Shiva和一些评论者指出的那样，问题是g的文件指针在每次新迭代时都没有重置到开头。此解决方案仅通过读取文件一次来回避倒带。

Answer 2

代码中的错误是g需要在每个循环中重新回到文件的开头，每次回放时都需要在其上调用csv_reader。像这样：

for r in rdr1:
    g.seek(0)          # seek to the beginning of the file
    s = csv.reader(g)  # restart iterator
    for s in rdr2:
        if s[0] == r[4]:
            print("match")

比每次必须回退到文件开头（这可能是一项昂贵的操作）更快的解决方案是将所有行读入局部变量，然后使用列表推导执行类似集合的“交集”。像这样：

with open(CSV1) as f, open(CSV2) as g, open('foo-match.csv', 'w') as h:
    lines1 = [line.split(',') for line in f]
    lines2 = [line.split(',') for line in g]
    commonlineindices = [i1 for (i1, row1) in enumerate(lines1) for row2 in lines2 if row1[4]==row2[0]]
    print(commonlineindices)
    h.writelines([','.join(lines1[index]) for index in commonlineindices])

这会计算您需要的行索引。一旦你有了这个，就可以直接打印出那些相应的行。

Python - 包含CSV的嵌套循环

2 个答案: