用 Bash 填充 CSV 中每行的独立缺失列（基于预期值）

Question

我有一个 CSV 文件，其中一行的理想格式是这样的：

taxID#, 学名, 王国, k,门，p，class，c，目，o，科，f, 属, g

...其中 kingdom、phylum 等是标识符、文字（"kingdom"、... "phylum"）以及标识符后面的值（k、p 等）。 ) 是那些王国、门等的实际值。

示例：

240395,Rugosa emeljanovi,kingdom,Metazoa,phylum,Chordata,class,Amphibia,order,Anura,family,Ranidae,genus,Rugosa

但是，并非所有行都具有所有级别的分类法，即 任何一行都可能缺少 identifier/value 对 的列，例如，"class, c," 并且任何 2 列 PAIR 都可以独立于其他对是否缺失而缺失。此外，如果字段丢失，它们将始终丢失其标识符字段，所以如果没有“k 的值，我永远不会将 "kingdom, phylum" 放在一起”他们之间。因此，我的文件中的大部分内容都缺少随机字段：

...
135487,Nocardia cyriacigeorgica,class,Actinobacteria,order,Corynebacteriales,genus,Nocardia
10090,Mus musculus,kingdom,Metazoa,phylum,Chordata,class,Mammalia,order,Rodentia,family,Muridae,genus,Mus
152507,uncultured actinobacterium,phylum,Actinobacteria,class,Actinobacteria
171953,uncultured Acidobacteria bacterium,phylum,Acidobacteria
77133,uncultured bacterium
...

问题：我如何编写一个bashshell脚本，可以"pad"文件中的每一行，以便每个字段对插入了我的理想格式中可能缺少的，并且其后面的值列只是空白。 期望的输出：

...
135487,Nocardia cyriacigeorgica,kingdom,,phylum,,class,Actinobacteria,order,Corynebacteriales,family,,genus,Nocardia
10090,Mus musculus,kingdom,Metazoa,phylum,Chordata,class,Mammalia,order,Rodentia,family,Muridae,genus,Mus
152507,uncultured actinobacterium,kingdom,,phylum,Actinobacteria,class,Actinobacteria,order,,family,,genus,
171953,uncultured Acidobacteria bacterium,phylum,Acidobacteria,clas,,order,,family,,genus,
77133,uncultured bacterium,kingdom,,phylum,,class,,order,,family,,genus,
...

备注：

请注意，如果缺少属，填充的输出应以逗号结尾，表示属的值不存在。
taxID# 和科学名称（前两个字段）将始终存在。
如果你的解决方案是蛮力的，我不关心 time/resource 效率。

我试过的：

我写了一个简单的 if/then 脚本，它按顺序检查预期字段是否消失。伪代码：

如果“$f3”不是"kingdom"，填充

但问题是，如果 kingdom 真的丢失了，它会在输出中被填充，但剩余的字段变量将被搞砸，我不能只说

如果“$f5”不是"phylum"，填充

因为如果 kingdom 缺失，phylum 现在可能在字段 3 ($f3) 中，而不是 $f5，也就是说，如果它也没有缺失的话。（我通过将基于每个字段的缺失的预期输出连接到一个字符串变量上来做到这一点，如果该字段没有丢失，则简单地连接原始值，然后将完成的、应该填充的行回显到输出）。

我希望能够像这样执行我的脚本

bash pad.sh prePadding.csv postPadding.csv

但如果需要，我会接受使用 Mac Excel 2011 的答案。

谢谢！！

Answer 1

虽然在 bash 中应该是可能的，但我会为此使用 Perl。我尽量让代码简单易懂。

#!/usr/bin/perl

while (<>){
    chomp;
    my @fields=split ',';
    my $kingdom='';
    my $phylum='';
    my $class='';
    my $order='';
    my $family='';
    my $genus='';
    for (my $i=2;$i<$#fields;$i+=2){
        if ($fields[$i] eq 'kingdom'){$kingdom=$fields[$i+1];}
        if ($fields[$i] eq 'phylum'){$phylum=$fields[$i+1];}
        if ($fields[$i] eq 'class'){$class=$fields[$i+1];}
        if ($fields[$i] eq 'order'){$order=$fields[$i+1];}
        if ($fields[$i] eq 'family'){$family=$fields[$i+1];}
        if ($fields[$i] eq 'genus'){$genus=$fields[$i+1];}
    }
    print "$fields[0],$fields[1],kingdom,$kingdom,phylum,$phylum,class,$class,order,$order,family,$family,genus,$genus\n";
}

这给了我：

perl pad.pl  input
135487,Nocardia cyriacigeorgica,kingdom,,phylum,,class,Actinobacteria,order,Corynebacteriales,family,,genus,Nocardia
10090,Mus musculus,kingdom,Metazoa,phylum,Chordata,class,Mammalia,order,Rodentia,family,Muridae,genus,Mus
152507,uncultured actinobacterium,kingdom,,phylum,Actinobacteria,class,Actinobacteria,order,,family,,genus,
171953,uncultured Acidobacteria bacterium,kingdom,,phylum,Acidobacteria,class,,order,,family,,genus,

（或为了更好的阅读：）

perl pad.pl  input  | tableize -t | sed 's/^/    /'
+------+----------------------------------+-------+-------+------+--------------+-----+--------------+-----+-----------------+------+-------+-----+--------+
|135487|Nocardia cyriacigeorgica          |kingdom|       |phylum|              |class|Actinobacteria|order|Corynebacteriales|family|       |genus|Nocardia|
+------+----------------------------------+-------+-------+------+--------------+-----+--------------+-----+-----------------+------+-------+-----+--------+
|10090 |Mus musculus                      |kingdom|Metazoa|phylum|Chordata      |class|Mammalia      |order|Rodentia         |family|Muridae|genus|Mus     |
+------+----------------------------------+-------+-------+------+--------------+-----+--------------+-----+-----------------+------+-------+-----+--------+
|152507|uncultured actinobacterium        |kingdom|       |phylum|Actinobacteria|class|Actinobacteria|order|                 |family|       |genus|        |
+------+----------------------------------+-------+-------+------+--------------+-----+--------------+-----+-----------------+------+-------+-----+--------+
|171953|uncultured Acidobacteria bacterium|kingdom|       |phylum|Acidobacteria |class|              |order|                 |family|       |genus|        |
+------+----------------------------------+-------+-------+------+--------------+-----+--------------+-----+-----------------+------+-------+-----+--------+

Answer 2

这将是 bash 使用关联数组的答案：

#!/bin/bash

declare -A THIS
while IFS=, read -a LINE; do
  # we always get the #ID and name
  if (( ${#LINE[@]} < 2 || ${#LINE[@]} % 2 )); then
    echo Invalid CSV line: "${LINE[@]}" >&2
    continue
  fi
  echo -n "${LINE[0]},${LINE[1]},"
  THIS=()
  for (( INDEX=2; INDEX < ${#LINE[@]}; INDEX+=2 )); do
    THIS[${LINE[INDEX]}]=${LINE[INDEX+1]}
  done
  for KEY in kingdom phylum class order family; do
    echo -n $KEY,${THIS[$KEY]},
  done
  echo genus,${THIS[genus]}
done < >

它还会验证 CSV 行，以便它们至少包含 2 列（ID 和名称）并且它们具有偶数列。

可以扩展该脚本以进行更多错误检查（即是否传递了两个参数，是否存在输入等），但它应该按照您发布的方式按预期工作。

用 Bash 填充 CSV 中每行的独立缺失列（基于预期值）

Pad Independently Missing Columns per Row in CSV with Bash (based off expected values)

csv

bash

shell

pad