Сравните два CSV-файла и найдите похожие элементы

Итак, у меня есть два CSV-файлов, которые я пытаюсь сравнить и получить результаты аналогичных товаров. Первый файл, hosts.csv показан ниже:

Path    Filename    Size    Signature
C:     a.txt       14kb    012345
D:     b.txt       99kb    678910
C:     c.txt       44kb    111213

второй файл, мастер-лист.csv показан ниже:

Filename    Signature
b.txt       678910
x.txt       111213
b.txt       777777
c.txt       999999

как вы можете видеть строки не совпадают и мастерлист.csv всегда больше, чем хосты.CSV-файл. Единственная часть, которую я хотел бы найти, - это часть подписи. Я знаю, что это будет выглядеть так:

hosts[3] == masterlist[1]

Я ищу решение, которое даст мне что-то вроде следующего (в основном хозяева.csv-файл с новым столбцом результатов):

Path    Filename    Size    Signature    RESULTS
C:     a.txt       14kb    012345       NOT FOUND in masterlist
D:     b.txt       99kb    678910       FOUND in masterlist (row 1)
C:     c.txt       44kb    111213       FOUND in masterlist (row 2)

Я искал посты и нашел что-то похожее на это здесь но я не совсем понимаю это, так как я все еще изучаю python.

редактировать Использование Python 2.6

11
compare csv python

4 ответов

Edit: пока мое решение работает правильно, проверьте ответ Martijn ниже для более эффективного решения.

вы можете найти документацию для модуля Python CSV здесь.

то, что вы ищете что-то вроде этого:

import csv

f1 = file('hosts.csv', 'r')
f2 = file('masterlist.csv', 'r')
f3 = file('results.csv', 'w')

c1 = csv.reader(f1)
c2 = csv.reader(f2)
c3 = csv.writer(f3)

masterlist = list(c2)

for hosts_row in c1:
    row = 1
    found = False
    for master_row in masterlist:
        results_row = hosts_row
        if hosts_row[3] == master_row[1]:
            results_row.append('FOUND in master list (row ' + str(row) + ')')
            found = True
            break
        row = row + 1
    if not found:
        results_row.append('NOT FOUND in master list')
    c3.writerow(results_row)

f1.close()
f2.close()
f3.close()
10

ответ srgerg ужасно неэффективен, так как он работает в квадратичном времени; вместо этого используется линейное временное решение с использованием синтаксиса, совместимого с Python 2.6:

import csv

with open('masterlist.csv', 'rb') as master:
    master_indices = dict((r[1], i) for i, r in enumerate(csv.reader(master)))

with open('hosts.csv', 'rb') as hosts:
    with open('results.csv', 'wb') as results:    
        reader = csv.reader(hosts)
        writer = csv.writer(results)

        writer.writerow(next(reader, []) + ['RESULTS'])

        for row in reader:
            index = master_indices.get(row[3])
            if index is not None:
                message = 'FOUND in master list (row {})'.format(index)
            else:
                message = 'NOT FOUND in master list'
            writer.writerow(row + [message])

это создает словарь, отображение сигнатур из masterlist.csv сначала номер строки. Поиск в словаре занимает постоянное время, делая второй цикл над hosts.csv строк зависит от количества строк в masterlist.csv. Не говоря уже о коде, который намного проще.

19

в Python CSV-файла и модуль коллекций, в частности OrderedDict, очень полезно здесь. Вы хотите использовать OrderedDict для сохранения порядка ключей и т. д. Не обязательно, но это полезно!

import csv
from collections import OrderedDict


signature_row_map = OrderedDict()


with open('hosts.csv') as file_object:
    for line in csv.DictReader(file_object, delimiter='\t'):
        signature_row_map[line['Signature']] = {'line': line, 'found_at': None}


with open('masterlist.csv') as file_object:
    for i, line in enumerate(csv.DictReader(file_object, delimiter='\t'), 1):
        if line['Signature'] in signature_row_map:
            signature_row_map[line['Signature']]['found_at'] = i


with open('newhosts.csv', 'w') as file_object:
    fieldnames = ['Path', 'Filename', 'Size', 'Signature', 'RESULTS']
    writer = csv.DictWriter(file_object, fieldnames, delimiter='\t')
    writer.writer.writerow(fieldnames)
    for signature_info in signature_row_map.itervalues():
        result = '{0} FOUND in masterlist {1}'
        # explicit check for sentinel
        if signature_info['found_at'] is not None:
            result = result.format('', '(row %s)' % signature_info['found_at'])
        else:
            result = result.format('NOT', '')
        payload = signature_info['line']
        payload['RESULTS'] = result

        writer.writerow(payload)

вот результат, используя ваши тестовые CSV-файлы:

Path    Filename        Size    Signature       RESULTS
C:\     a.txt   14kb    012345  NOT FOUND in masterlist 
D:\     b.txt   99kb    678910   FOUND in masterlist (row 1)
C:\     c.txt   44kb    111213   FOUND in masterlist (row 2)

пожалуйста, извините за несоосность, они разделены вкладками:)

4

на csv модуль пригодится при разборе csv-файлов. Но просто для удовольствия я просто разделяю входные данные на пробелы, чтобы получить данные.

просто проанализируйте данные, создайте dict для данных в masterlist.csv с подписью в качестве ключа и номером строки в качестве значения. Теперь для каждого ряда хостов.csv, мы можем просто запросить dict и выяснить, существует ли соответствующая запись в masterlist.csv и если да, то в какой строке.

#! /usr/bin/env python

def read_data(filename):
        input_source=open(filename,'r')
        input_source.readline()
        return [line.split() for line in input_source]

if __name__=='__main__':
        hosts=read_data('hosts.csv')
        masterlist=read_data('masterlist.csv')
        master=dict()
        for index,data in enumerate(masterlist):
                master[data[-1]]=index+1
        for row in hosts:
                try:
                        found="FOUND in masterlist (row %s)"%master[row[-1]]
                except KeyError:
                        found="NOT FOUND in masterlist"
                line=row+[found]
                print "%s    %s    %s    %s    %s"%tuple(line)
0