我想使用awk/python(因为我使用大文件,所以我更喜欢使用awk)命令比较大文件(~1GB)中的连续行。以下是输入和输出的示例:
输入文件
#x y
1 11 # Remarks (not part of the input file)
10 12 # (Remark *1)
10 17 #
4 14
20 15 # (Remark *2)
20 16 #
20 17 #
20 22 #
5 19
10 20
(备注*1):由于此行的x值与连续行/行的x值相同,因此应在输出文件中打印此行或下一行(随机选择)
(备注*2):由于此行的x值和接下来3行的x值相同,因此应在输出文件中打印此行或接下来3行中的一行(随机选择)
我想要的输出文件是这样的:
#x y
1 11
10 17
4 14
20 17
5 19
10 20
或者(由于随机选择,如果相同的x值出现在连续行中)
#x y
1 11
10 12
4 14
20 16
5 19
10 20
基本上,我想比较当前行/行的x值是否与下一个连续行/行相同。如果没有,则应打印当前行。如果是,则应从具有相同x值的连续行/行中只选择一条随机线(y值对于比较而言不重要)。
我希望有人能帮助我!
$ cat tst.awk
function prtBuf( idx) {
if (cnt > 0) {
idx = int((rand() * cnt) + 1)
print buf[idx]
}
cnt = 0
}
BEGIN { srand() }
$1 != prev { prtBuf() }
{ buf[++cnt]=$0; prev=$1 }
END { prtBuf() }
$ awk -f tst.awk file
1 11 # Remarks (not part of the input file)
10 17 #
4 14
20 17 #
5 19
10 20
$ awk -f tst.awk file
1 11 # Remarks (not part of the input file)
10 12 # (Remark *1)
4 14
20 22 #
5 19
10 20
我假设示例中的x
和y
列标题实际上并不是输入文件的一部分,因此删除了它们。如果它们确实存在,并且您希望它们出现在输出中,那么只需在前面添加一行NR==1{print;next}
即可。