フォロワー

2015年2月10日火曜日

awk で SQL のようにグループごとの件数をカウントする

用いたデータのこの記事をご参考ください。
まず、DPC_EFn_201404-12.txt というテキストファイルの先頭が 201404 の行数(件数)をカウントする場合、下記のコマンドでできます。
(テキストは370万行なので、かなり時間かかります。)
$ awk '$0~/^201404/ {print $1}' DPC_EFn_201404-12.txt | wc -l
【結果】380502
でも、awk のみでカウントしたい場合は、下記でも行けます。
$ awk 'BEGIN {count=0} $0~/^201404/ {count=count+1} END {print count}' DPC_EFn_201404-12.txt
【結果】380502
正規表現ではなくカラム1で指定したい場合、
$ awk 'BEGIN {count=0} $1=="201404" {count=count+1} END {print count}' DPC_EFn_201404-12.txt
【結果】380502
さて、SQLの select yyyymm, count(*) from DPC_EFn_201404-12 group by yyyymm のようにしたい場合、
$ awk 'BEGIN {FS=OFS="\t"}  { if($1 in hash) hash[$1] = hash[$1]+1; else hash[$1]=1} END {for(key in hash) print key,hash[key]}' DPC_EFn_201404-12.txt
【解説】入力ファイルのファイルセパレータ FS と 出力ファイルのファイルセパレータ OFS をTABに指定して、カラム1($1)がハッシュ配列にあれば、その値を+1、ない場合は1をいれます。最後にキーと値のペアを標準出力に出します。
【結果】
201410    435993
201411    391426
201412    403304
201404    380502
201405    390134
201406    423224
201407    450589
201408    429559
201409    412329
しかし、ソートしてないですね。ソートは少なくても下記の2パタンがあります。
$ awk 'BEGIN {FS=OFS="\t"}  { if($1 in hash) hash[$1] = hash[$1]+1; else hash[$1]=1} END {for(key in hash) print key,hash[key]|"sort" }' DPC_EFn_201404-12.txt
あるいは
$ awk 'BEGIN {FS=OFS="\t"}  { if($1 in hash) hash[$1] = hash[$1]+1; else hash[$1]=1} END {for(key in hash) print key,hash[key] }' DPC_EFn_201404-12.txt | sort
【結果】
201404    380502
201405    390134
201406    423224
201407    450589
201408    429559
201409    412329
201410    435993
201411    391426
201412    403304
残念ながら、上記のコマンドはデータベースとほぼ変わらないほど遅いので、gawk で試しました。
gawk 'BEGIN {FS=OFS="\t"}  { if($1 in hash) hash[$1] = hash[$1]+1; else hash[$1]=1} END { for(key in hash) print key,hash[key] }' DPC_EFn_201404-12.txt
【結果】
201404    380502
201405    390134
201406    423224
201407    450589
201408    429559
201409    412329
201410    435993
201411    391426
201412    403304
(なぜかちゃんとソートしてくれました)
上記が早いので、年月を 201404 の絞込も下記のほうがかなり早くなります。
$ gawk 'BEGIN {FS=OFS="\t"}  { if($1 in hash) hash[$1] = hash[$1]+1; else hash[$1]=1} END { for(key in hash) if (key=="201404") print key,hash[key] }' DPC_EFn_201404-12.txt
【結果】
201404    380502
次回は 「awk で SQL のようにテーブル(テキスト)を join する 」を書く予定です。

0 件のコメント:

コメントを投稿