[awk] Comparaison par colonne de deux tableaux

Bonjour à tous,

Je débute sous Awk et j'ai un petit souci concernant l'utilisation des tableaux.

J'ai deux fichiers CSV en entrée contenant chacun 4 lignes de 5 colonnes (fich1.csv & fich2.csv).

#cat fich1.csv
A b c d e
F g h i j
K l m n o
P q r s t

#cat fich2.csv
A b c d e
F g h z j
K l m n o
P z r s t

La colonne 1 (AFKP) sera toujours identique aux deux fichiers .
Je désire comparer le contenu de chaque colonne afin que le résultat donne :

L'identifiant F est différent à la colonne 4
L'identifiant P est différent à la colonne 2

Je pense que Awk est l'idéal car j'ai des milliers de lignes et ça ma l'air très rapide, par contre je m'arrache les cheveux !
J'ai réussi à mettre en tableau un fichier mais impossible d'en mettre deux et en encore moins de les comparer.

Merci d'avance pour vos lumières...

salut,

un fichier CSV c'est censé être des valeurs séparées par des virgules, dans ton exemple tu sépares par des espaces, dans le doute j'ai mis une variable sep modifiable facilement :

Code:

---

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

awk -vsep=',' ' NR == FNR { f1[NR] = $0; next; }   $0 != f1[FNR] { n=split(f1[FNR],lf1,sep); split($0,lf2,sep); for (i=1; i<=n; i++) { if (lf1[i] != lf2[i]) { printf("L\047identifiant %s est différent à la colonne %d\n", lf1[1], i); } } }' fich1.csv fich2.csv

---

(tout le code peut évidemment tenir sur la même ligne)

on passe les deux fichiers en paramètre directement, la condition NR == FNR est un trick qui permet de rentrer dans le bloc uniquement si le fichier lu est le premier fichier passé en paramètre (donc fic1.csv), à chaque ligne lue on la stocke dans le tableau f1, et on passe à la ligne suivante avec next pour éviter de rentrer dans le second bloc qui lui sert à traiter fic2.csv

dans le second bloc, on éclate chaque ligne dans un tableau, lf1 pour la ligne issue du fichier fic1.csv, lf2 pour la ligne issue de fic2.csv
reste plus qu'à comparer chaque colonne dans une boucle for, si les champs sont différents on affiche un message, on notera au passage le \047 en octal pour pouvoir afficher l'apostrophe dans L'identifiant

Bonjour :coucou:

Code:

---

1 2 3 4 5 6 7 8 9 10 11 12 13

$ cat fi1 A b c d e F g h i j K l m n o P q r s t $ cat fi2 A b c d e F g h z j K l m n o P z r s t $ awk '(NR==FNR){for (i=1;i<=NF;i++) a[FNR,i]=$i;next;} {for (i=1;i<=NF;i++) if ($i!=a[FNR,i]) printf "La ligne %i est différente à la colonne %i.\n",FNR,i;}' fi1 fi2 La ligne 2 est différente à la colonne 4. La ligne 4 est différente à la colonne 2.

---

j'en apprends (ou réapprends) tous les jours, j'avais complètement oublié qu'on pouvait faire ça avec le tableau, bien vu ;)

@BufferBob & Flodelarab : Merci infiniment, vous êtes des As !

J'ai testé et ça marche du feu de Dieu ;
Des centaines de milliers de lignes traitées en quelques millisecondes, c'est incroyable !

Je suis surpris chaque jour de la puissance de traitement de Linux en général et de ce langage en particulier.
Mais j'ai encore du pain sur la planche pour en comprendre toutes les subtilités...

Par exemple, certaine ligne ont deux champs différents (au lieu de un) et je planche maintenant sur la façon d'arriver à :

Code:

---

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

#cat fich1.csv A;b;c;d;e F;g;h;i;j K;l;m;n;o P;q;z;s;t   #cat fich2.csv A;b;c;d;e F;z;h;z;j K;l;m;n;o P;z;r;z;t     L'identifiant F est différent à la colonne 2, 4 L'identifiant P est différent à la colonne 2, 3, 4

---

@+
Lucky

Suffit de concaténer.

Code:

---

1 2 3 4 5 6 7 8 9 10 11 12 13

$ cat fi1 A b c d e F g h i j K l m n o P q r s t $ cat fi2 A b c d e F g h z j K l m n o P j j j j $ awk '(NR==FNR){for (i=1;i<=NF;i++) a[FNR,i]=$i;next;} {s="";for (i=1;i<=NF;i++) if ($i!=a[FNR,i]) if (s!="") s=s", "i; else s=i;if (s!="") printf "La ligne %i est différente à la colonne %s.\n",FNR,s;}' fi1 fi2 La ligne 2 est différente à la colonne 4. La ligne 4 est différente à la colonne 2, 3, 4, 5.

---

Avec un -F';' en prime, au besoin.

@ Flodelarab

Bien que je ne comprenne pas tout (faut que j'analyse en détail avec mon petit manuel Awk sous le coude), ça marche très bien.

Par contre comment faire pour afficher le contenu de la colonne 1 (c'est un ID en fait) plutôt que de faire référence au numéro de ligne ?

Exemple : L'identifiant P est différent à la colonne 2, 3, 4

Lucky

Ton petit manuel va te donner la réponse ! :ccool:

Bon j'y suis arrivé un peu au doigt mouillé...

[...]

Code:

---

1 2	if (s!="") printf "Identifiant "a[FNR,1]" (ligne %i) différent à la colonne %s.\n",FNR,s;

---

[...]

Par contre impossible de comprendre pourquoi si j'enlève %i dans le code, je n'ai pas le même résultat...

Citation:

---

Envoyé par luckythrice

Bien que je ne comprenne pas tout (faut que j'analyse en détail avec mon petit manuel Awk sous le coude), ça marche très bien.

Par contre comment faire pour afficher le contenu de la colonne 1 (c'est un ID en fait) plutôt que de faire référence au numéro de ligne ?

---

tu peux développer le oneliner pour qu'il soit plus lisible :

Code:

---

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

(NR==FNR) { for (i=1;i<=NF;i++) a[FNR,i]=$i; next; }   { s=""; for (i=1;i<=NF;i++) if ($i!=a[FNR,i]) if (s!="") s=s", "i; else s=i; if (s!="") printf "La ligne %i est différente à la colonne %s.\n",FNR,s; }

---

Merci BufferBob, c'est ce que j'avais commencé à faire car le "oneliner" comme tu dis, même si ça en jette, pour un non-initié c'est un vrai casse-tête surtout que j'ai l'habitude de bien structurer mes codes comme en Bash ou en PHP.

Par contre je ne comprend toujours pas pourquoi la suppression de %i me donne un résultat différent ?

Bonjour,
Comme tu n'es pas précis dans ton problème concernant le %i, ce que l'on peut juste te dire:
il est lié a FNR (en fin de ligne) en tant qu'entier et que donc si tu veux le %i, il faut que tu vire aussi le FNR car sinon le %s d'après se rattachera dessus au lieu de la variable s (toujours en fin de ligne)...

• Citation:

  ---

  if (s!="") printf "Identifiant "a[FNR,1]" (ligne %i) différent à la colonne %s.\n",FNR,s;

  ---

  C'est vrai que tu peux récupérer le premier champ de la ligne mémorisée. Mais, tu peux aussi récupérer le premier champ de la ligne en cours: $1 (cf ci-dessous)
• La fonction "print" écrit une ligne.
  La fonction "printf" écrit une ligne en insérant les paramètres qui suivent le format de la ligne.
  %i, %d, %f, %s, etc sont remplacés par un entier, un décimal, un nombre à virgule, une chaîne de caractère, etc.
  Donc si tu enlèves %i, il n'est pas remplacé.
• Au final:
  
  Code:

  ---

  if (s!="") printf "Identifiant %i (ligne %i) différent à la colonne %s.\n",$1,FNR,s;

  ---

• Pour le développement de la ligne unique, le second "if" a une tabulation de trop puisqu'en dehors de la boucle.

@ Flodelarab

Oulala tu m'as complètement paumé avec l'ajout du $1...

En fait là où j'ai du mal à comprendre c'est comment sont ingurgité les deux fichiers en entrée...

Dans le code j'ai l'impression qu'il n'y a qu'un seul tableau (a[FNR,i]) alors qu'en temps normal il devrait y en avoir deux !

Si l'on reprend mon petit exemple :

#cat fich1.csv
A;b;c;d;e
F;g;h;i;j
K;l;m;n;o
P;q;z;s;t

#cat fich2.csv
A;b;c;d;e
F;z;h;z;j
K;l;m;n;o
P;z;r;z;t

Comment Awk peut-il distinguer le "h" du premier fichier (a[2,3]) du "h" du second fichier ?

Citation:

---

Envoyé par luckythrice

En fait là où j'ai du mal à comprendre c'est comment sont ingurgité les deux fichiers en entrée...

---

Citation:

---

Envoyé par BufferBob

(...) la condition NR == FNR est un trick qui permet de rentrer dans le bloc uniquement si le fichier lu est le premier fichier passé en paramètre (donc fic1.csv), à chaque ligne lue on la stocke dans le tableau f1, et on passe à la ligne suivante avec next pour éviter de rentrer dans le second bloc qui lui sert à traiter fic2.csv

---

en clair les fichiers en paramètres sont déroulés ligne par ligne l'un après l'autre dans l'ordre, le premier bloc d'instructions n'est exécuté que lorsqu'on lit le premier fichier grâce à la condition NR == FNR et au next pour ne pas continuer dans le second bloc, tandis que le second bloc n'est exécuté que lorsqu'on lit le second fichier

La base de awk c'est de savoir que les champs sont désignés par un $ suivi du rang. $1 est le premier champ. $5, le 5ème champ et $NF le dernier champ puisque NF est le nombre de champs.

Dans un tableau (peu importe son nom), on stocke les valeurs lorsqu'il parcourt le premier fichier. Ainsi les valeurs sont disponibles lorsqu'il parcourt le second fichier.
Tu as donc utilisé a[FNR,1] qui est la valeur que tu as mémorisée dans le premier fichier pour le premier champ. Tu avais stocké $1 à l'époque. Mais comme tu le compares avec le premier champ de la ligne en cours de traitement dans le second fichier, c'est à dire $1, autant se simplifier la vie en mettant $1 plutôt que a[FNR,1].

Merci à tous pour vos explications éclairées et éclairantes !

Cela m'a beaucoup aidé et donne envie d'aller plus loin avec ce langage diablement efficace...

@+
Lucky

Citation:

---

Envoyé par luckythrice

Code:

---

if (s!="") printf "Identifiant "a[FNR,1]" (ligne %i) différent à la colonne %s.\n",FNR,s;

---

Par contre impossible de comprendre pourquoi si j'enlève %i dans le code, je n'ai pas le même résultat...

---

Je n'ai pas bien compris si tu as compris. Dans le doute, il faut retirer aussi l'argument FNR (avec sa virgule) du printf:

Code:

---

if (s!="") printf "Identifiant "a[FNR,1]" différent à la colonne %s.\n",s;

---

ou bien (sans formattage):

Code:

---

if (s!="") print "Identifiant "a[FNR,1]" différent à la colonne "s".";

---

:ptdr: +1 mais ...

Code:

---

if (s!="") print "Identifiant "$1" différent à la colonne "s".";

---