0

下表说明了我希望操作的数据的简要快照。我正在寻找一个 awk 脚本，它将相似的元素分组到一个组中。例如。如果你看下表：

  1. 数字 (1,2,3,4,6) 应该都属于一个组。所以 row1 row2 row4 row8 将是组“1”
  2. 数字 9 是独一无二的，没有任何共同的元素。所以它会单独居住在一个单独的组中，比如第 2 组
  3. 同样，数字 5,7 将位于一组中，例如第 3 组，依此类推...

文件：

heading1        heading2         numberlist     group
name1           text             1,2,3          1
name2           text             2              1
name3           text             9              2
name4           text             1,4            1
name5           text             5,7            3
name6           text             7              3
name7           text             8              4
name8           text             6,2            1

我正在搜索与我类似的查询并找到此链接。按共同元素对列表进行分组。但解决方案是 C++ 而不是 awk，这是我的主要要求。

顺便说一句，我还发现这个 awk 解决方案与我的查询有些相关，但它没有处理逗号分隔值。 awk 脚本与数组分组

Numberlist 即 $3 是我对分组的唯一考虑。

4

1 回答 1

0

这个问题似乎与我的一个问题几乎相同，我在您的示例中使用了一列来解决我的问题:) 所以......

[[bash_prompt$]]$ cat log ; echo "########"; \
> cat test.sh ;echo "########";  awk -f test.sh log
heading1        heading2         numberlist     group
name1           text             1,2,3
name2           text             2
name3           text             9
name4           text             1,4
name5           text             5,7
name6           text             7
name7           text             8
name8           text             6,2
########
/^name/{
  i=0; j=0;
  split($3,a,",");
  for(var in a) {
    for(var1 in q) {
      split(q[var1],r,",");
      for(var2 in r) {
        if(r[var2] == a[var]) {
          i=1;
          j=((var1+1));
        }
      }
    }
  }
    if(i == 0) {
      q[length(q)] = $3;
      j=length(q);
    }
  print $1 "\t\t" $2 "   \t\t" $3 "\t\t" j;
}
########
name1           text            1,2,3           1
name2           text            2               1
name3           text            9               2
name4           text            1,4             1
name5           text            5,7             3
name6           text            7               3
name7           text            8               4
name8           text            6,2             1
[[bash_prompt$]]$

更新：

split通过传入第三个参数的分隔符拆分第一个参数，并将其放入第二个参数指向的数组中。这里的主数组是 q，它保存了一个组的组成员，它基本上是一个数组数组，其中元素的索引是组 id，元素是组的所有成员的集合。soq[0]="1,2,3"表示第 0 个组包含成员1,2和3. name现在在 awk 中，读取以( )开头的第一行/^name/。然后将第三个字段 ( 1,2,3) 分解为数组 a。现在对于数组 a 中的每个元素，我们将每个组存储到 q ( for(var1 in q)) 中，然后在每个组内，我们将它们拆分为另一个临时数组 r (split(q[var1],r,","))，即“1,2,3”被分割成一个数组r。现在将 r 中的每个元素与 a 中的元素进行比较。如果找到匹配项，则组的索引是该行的索引（数组索引从 0 开始，组从 1 开始，因此使用 ((var1+1))。现在如果没有找到，只需将其作为新组添加到 q 和最后一个索引 + 1，即数组的长度是该行的索引

更新：

/^name/{
  j=0;
  split($3,a,",");
  for(var in a) {
    if(q[a[var]] != 0) {
      j=q[a[var]]; i=1;
      break;
    }
  }
  j = (j == 0) ? ++k : j;
  for(var1 in a) {
    if(q[a[var1]] == 0) {
      q[a[var1]] = j;
    }
  }
  print $1 "\t\t" $2 "   \t\t" $3 "\t\t" j;
}

更新：

base 是 awk 具有关联数组，每个元素都由字符串键访问。早期的方法是将每个组存储在一个数组中，其中键是组的索引。因此，当我们读取列时，我们将读取每个组，将组拆分为单个元素，将每个元素与列中的每个元素进行比较。但是，如果我们将元素存储在一个数组中，而不是存储一个组，其中键是元素本身，键的值是元素所属组的索引。因此，当我们读取一列时，我们将列拆分为单个元素（split($3,a,",");）然后检查数组中的元素是否存在以该元素为键的组索引if(q[a[var]] != 0)（在 awk 中，如果该元素不存在，则默认为具有值的元素0 在那里初始化，所以检查q[a[var]] != 0）。如果找到任何元素，我们将元素的组索引作为列的索引并中断。否则j将保持 0。如果j保持 0，++k则给出最新的组索引。现在我们找到了列元素的组索引。需要为那些不属于任何其他组的元素携带该索引（会有同一列中的多个元素属于不同组的情况，这里我们采用先到先得的方法，但不要过度写入已经属于另一个组的其他人的组索引）。所以对于列 ( for(var1 in a)) 中的每个元素，如果它不属于一个组 ( if(q[a[var1]] == 0)) ，就给它一个组索引q[a[var1]] = j;. 所以这里所有的访问都是线性的，因为我们使用元素直接访问一个键。因此，不会为每个元素一次又一次地分解一个组，因此时间更短。我的第一种方法是基于我自己的一个问题（我在第一行中提到过），它是更复杂的处理但更短的数据集。但这需要一个更简单直接的逻辑。

于 2013-05-03T12:58:19.830 回答