git.rot13.org Git - csv-join-similarity/blob - upari.pl

   1 #!/usr/bin/perl
   2
   3 use warnings;
   4 use strict;
   5 use autodie;
   6
   7 # apt install libtext-csv-perl libstring-similarity-perl
   8 use Text::CSV;
   9 use Data::Dump qw(dump);
  10 use String::Similarity;
  11 use Storable;
  12 use Text::Unaccent;
  13
  14 my $debug = $ENV{DEBUG};
  15
  16 my @files = qw( 1.csv 2.csv 3.csv 4.csv );
  17
  18 our $stat;
  19 my $keys;
  20
  21 sub duplicate {
  22         my @for = @_;
  23         my $use;
  24         $use->{$_}++ foreach ( map { @{ $stat->{_}->{$_} } } @for );
  25         my $duplicate = grep { $use->{$_} > 1 } keys %$use;
  26         print "XXX use @for ",dump($use),$/ if $debug && $duplicate;
  27         return $duplicate;
  28 }
  29
  30 sub candidates {
  31         my ( $num, $key_id, $limit_sim ) = @_;
  32         $limit_sim //= $ENV{LIMIT};
  33         $limit_sim //= 0.9;
  34
  35         my @candidates;
  36         foreach my $key ( sort keys %{ $keys->{ $key_id } } ) {
  37                 next if $key eq $num; # XXX don't return key from input
  38                 my $s = similarity $num, $key, $limit_sim;
  39                 #warn "# $num $key $s\n";
  40                 if ($s > $limit_sim ) {
  41                         if ( exists $stat->{_}->{"$key-$key_id"} ) {
  42                                 my $use;
  43                                 $use->{$_}++ foreach (
  44                                         @{ $stat->{_}->{"$num-$key_id"} },
  45                                         @{ $stat->{_}->{"$key-$key_id"} },
  46                                 );
  47                                 #print "XXX use $num $key ",dump($use);
  48                                 my $duplicate = grep { $use->{$_} > 1 } keys %$use;
  49                                 if ( $duplicate ) {
  50                                         print "XXX $limit_sim suggest duplicate  $num $key SKIP duplicate ",dump($use), $/ if $debug;
  51                                         $stat->{suggest}->{duplicate}++;
  52                                 } else {
  53                                         push @candidates, { key => $key, s => $s };
  54                                 }
  55                         } else {
  56                                 print "XXX $limit_sim candidates $key missing\n" if $debug;
  57                         }
  58                 }
  59         }
  60 =for description
  61         for limit 0.6 to work, we need to prefer longer results over shorter ones:
  62         MERGE A0246A 3078-8326 (
  63           { key => "A4065A", s => 0.666666666666667 },
  64           { key => "ANDREJA0246A", s => 0.666666666666667 },
  65   ) val=[3]
  66   .++ A0246A-3078-8326 1 .++ A0246A-3078-8326 2 result val=[3, 1, 2] result_elements=3
  67 =cut
  68
  69         if ( $#candidates > 0 ) {
  70                 #print "XXX candidates before = ",dump( \@candidates ),$/;
  71                 @candidates = sort {
  72                         $b->{s} <=> $a->{s}     # hi -> low
  73                         or length($b->{key}) <=> length($a->{key})
  74                 } @candidates;
  75                 #print "XXX candidates after  = ",dump( \@candidates ),$/;
  76         }
  77         return @candidates;
  78 }
  79
  80 my $keys_file = 'keys.storable';
  81 if ( -e $keys_file ) {
  82         #$keys = retrieve($keys_file) or die "$keys_file: $!";
  83         print "LOAD $keys_file", scalar keys %$keys, "\n";
  84 }
  85
  86 our $data;
  87 our @data_headers;
  88
  89
  90 foreach my $val ( 1 .. 4 ) {
  91         my $file = "$val.csv";
  92         warn "# $file\n";
  93
  94         open(my $duplicate_fh, '>', "duplicate-$val.csv");
  95
  96         my $csv = Text::CSV->new ({ binary => 1, auto_diag => 1 });
  97         open my $fh, "<:encoding(utf8)", $file or die "$file: $!";
  98         while (my $row = $csv->getline ($fh)) {
  99                 $stat->{file}->{$file}->{lines}++;
 100                 $stat->{file}->{$file}->{columns}->{ $#$row }++;
 101
 102                 if ( ! exists $data_headers[$val] ) {
 103                         $data_headers[$val] = $row;
 104                         next;
 105                 }
 106
 107                 my $c_id = $row->[0];
 108                 my $c_s = $row->[1];
 109                 my $c_r = $row->[2];
 110                 $row->[0] =~ s/[^\w\d]+//ig && $stat->{file}->{$file}->{corrupt_id}->{$c_id}++ && print 'c0';
 111                 $row->[1] =~ s/\D+//g && $stat->{file}->{$file}->{corrupt_s}->{$c_s}++ && print 'c1';
 112                 $row->[2] =~ s/\D+//g && $stat->{file}->{$file}->{corrupt_r}->{$c_r}++ && print 'c2';
 113                 my $id = join('-',
 114                         uc $row->[0],
 115                         $row->[1],
 116                         $row->[2],
 117                 );
 118
 119                 my $num = uc $row->[0];
 120                 if ( length $num < 3 ) {
 121                         print "IGNORE $val ",dump($row->[ 0 .. 5 ]),$/;
 122                         $stat->{ignore}->{$val}++;
 123                         next;
 124                 }
 125
 126                 my $key_id = $row->[1] . '-' . $row->[2];
 127
 128                 $stat->{A_key_id}->{$key_id}->{$val}++;
 129
 130                 $keys->{ $key_id }->{ $num }++;
 131
 132                 $stat->{exists}->{$val}++ if exists $stat->{_}->{ $id };
 133
 134                 push @{ $stat->{_}->{ $id } }, $val;
 135
 136                 if ( exists $data->{$key_id}->{$num}->{$val} ) {
 137                         $stat->{file}->{$file}->{duplicate_keyid_num}->{$val}++;
 138
 139                         my $old = $data->{$key_id}->{$num}->{$val};
 140                         print $duplicate_fh join(',', $file, @$old), "\n";
 141                         print $duplicate_fh join(',', $file, @$row), "\n";
 142                         print $duplicate_fh "\n";
 143
 144                         # select row by longer lenght;
 145                         my $l_old = length dump $old;
 146                         my $l_row = length dump $row;
 147
 148                         print "DUPLICATE $file $key_id $num $val len: $l_old < $l_row\n";
 149
 150                         if ( $l_old > $l_row ) {
 151                                 print "DUPLICATE KEEP old longer $l_old row (new only $l_row)\n";
 152                                 next;
 153                         }
 154
 155 =for diff
 156                         my $diff;
 157                         foreach ( 0 .. $#$row ) {
 158                                 if ( $old->[$_] ne $row->[$_] ) {
 159                                         $diff->[$_] = [ $old->[$_], $row->[$_] ];
 160                                 }
 161                         }
 162                         print "diff = ",dump($diff) if $diff;
 163                         #print "old=", dump( $data->{$key_id}->{$num}->{$val} ), $/;
 164                         #print "new=", dump( $row ), $/;
 165 =cut
 166                 }
 167                 # remove .000000 from values
 168                 $data->{$key_id}->{$num}->{$val} = [ map { s/^(\d+)\.0+$/$1/g; $_; } @$row ];
 169         }
 170         close $fh;
 171
 172 }
 173
 174
 175 my $merge_ids;
 176
 177 my $first = 1;
 178 # 0.9 - 0.7 -- 0.6 is too lax
 179 foreach my $limit ( 0.7 ) { #, 0.6 ) {
 180 warn "XXX limit $limit\n";
 181
 182 print "# total = ",scalar keys %{ $stat->{_} }, $/;
 183 foreach my $id ( sort keys %{ $stat->{_} } ) {
 184         my @val;
 185         my $v = $stat->{_}->{$id};
 186         if ( defined $v && ref $v eq 'ARRAY' ) {
 187                 @val = @$v;
 188         } else {
 189                 #print "SKIP[$id]";
 190                 next;
 191         }
 192         my $u;
 193         $u->{$_}++ foreach @val;
 194         my @u_v = sort keys %$u;
 195         if ( $first == 1 ) {
 196                 $stat->{A_count}->{ scalar @val }++;
 197                 $stat->{A_count_total}++;
 198
 199                 #$stat->{A_count_val_dup}->{ join(' ', @val) }++; # with duplicates
 200
 201                 $stat->{A_count_val}->{ join(' ', @u_v ) }++; # without duplicates
 202         }
 203
 204         if ( $#u_v < 3 ) { # single, double
 205                 my ( $num, $key_id ) = split(/-/,$id,2);
 206                 my @candidates = candidates $num => $key_id, $limit; #, 0.7; # XXX 0.9 too high, 0.8 better, 0.7 too lax
 207                 if ( @candidates ) {
 208                         print "MERGE ",scalar @candidates, " $limit $num $key_id ", dump( @candidates ), ' val=', dump( \@val ), $/;
 209                         my @keys = map { $_->{key} } @candidates;
 210                         my  $m_id = $id; # "$keys[0]-$key_id";
 211                         foreach my $i ( 0 .. $#keys ) {
 212                                 my  $id = "$keys[$i]-$key_id";
 213                                 if ( ! exists $stat->{_}->{$id} ) {
 214                                         print "ERROR: $num $key_id can't find $i $id";
 215                                 }
 216
 217                                 # XXX I298O-4743-7996
 218                                 if ( duplicate( $m_id => $id ) ) {
 219                                         print "XXX duplicate2 $m_id $id\n";
 220                                         $stat->{duplicate2}++;
 221                                         next;
 222
 223                                 }
 224
 225                                 my $o = delete $stat->{_}->{$id};
 226                                 die "FATAL: can't find $id" if ! $o;
 227
 228                                 my ( $id_s, $s, $r ) = split('-', $id);
 229                                 my $key_s = "$s-$r";
 230
 231                                 foreach my $val ( @$o ) {
 232                                         print '.';
 233                                         push @{ $stat->{_}->{ $m_id } }, $val;
 234                                         print "++ $m_id $val ";
 235                                         $stat->{merge_val}->{$val}++;
 236
 237
 238                                         die "ERROR merge: $val $id $m_id exists",dump( $merge_ids->{$val}->{$key_s}->{$id_s} ) if exists $merge_ids->{$val}->{$key_s}->{$id_s};
 239                                         my $m_id_s = (split('-',$m_id,3))[0];
 240                                         $merge_ids->{$val}->{$key_s}->{$id_s} = $m_id_s;
 241
 242                                         my $o_row = delete $data->{$key_s}->{$id_s}->{$val};
 243                                         die "FATAL: $id | $m_id | data $key_s $id_s $val" unless $o_row;
 244                                         $data->{$key_s}->{$m_id_s}->{$val} = $o_row;
 245
 246                                 }
 247                                 my @not_empty = sort keys %{ $data->{$key_s}->{$id_s} };
 248                                 die "FATAL: $id_s not empty" if @not_empty;
 249                                 delete $data->{$key_s}->{$id_s}; # FIXME check before cleanup
 250
 251                                 print "result val=",dump( $stat->{_}->{ $m_id } ), " result_elements=", scalar @{ $stat->{_}->{ $m_id } }, $/;
 252                         }
 253                         $stat->{merge}++;
 254                 }
 255
 256         }
 257 }
 258
 259 print "# total after merge $limit = ",scalar keys %{ $stat->{_} }, $/;
 260
 261 foreach my $id ( sort keys %{ $stat->{_} } ) {
 262         my @val; # = @{ $stat->{_}->{$id} };
 263         my $v = $stat->{_}->{$id};
 264         if ( defined $v && ref $v eq 'ARRAY' ) {
 265                 @val = @$v;
 266         } else {
 267                 print "SKIP[$id]";
 268                 next;
 269         }
 270         $stat->{"B${limit}_count"}->{ scalar @val }++;
 271         $stat->{"B${limit}_count_total"}++;
 272
 273         #$stat->{"B${limit}_count_val_dup"}->{ join(' ', @val) }++; # with duplicates
 274
 275         my $u;
 276         $u->{$_}++ foreach @val;
 277         my @u_v = sort keys %$u;
 278         $stat->{"B${limit}_count_val"}->{ join(' ', @u_v ) }++; # without duplicates
 279 }
 280
 281 $first++;
 282 } # for $limit
 283
 284 print "# stat = ",dump( $stat );
 285 #print "# keys = ",dump( $keys );
 286
 287 store $keys, $keys_file;
 288
 289 my $merge_file = 'merge.storable';
 290 store $merge_ids, $merge_file;
 291 #print "XXX merge_ids = ", dump($merge_ids);
 292
 293 my $out_file = 'merged.csv';
 294 print "out_file $out_file";
 295 open(my $out_fh, '>', $out_file);
 296 foreach my $val ( 1 .. 4 ) {
 297         print $out_fh join(',', map { unac_string('utf-8',$_) . '_' . $val } @{ $data_headers[$val] });
 298         print $out_fh ',';
 299 }
 300 print $out_fh "broj_valova";
 301 print $out_fh "\n";
 302
 303 foreach my $key ( sort keys %$data ) {
 304         print " $key";
 305         foreach my $id ( sort keys %{ $data->{$key} } ) {
 306                 #print $out_fh "## $id ## ";
 307
 308                 my $broj_valova = 0;
 309
 310                 foreach my $val ( 1 .. 4 ) {
 311                         if ( my $id_data = $data->{$key}->{$id}->{$val} ) {
 312                                 print $out_fh join(',', map { m/,/ ? qq{"$_"} : $_ } @$id_data);
 313                                 $broj_valova++;
 314                         } else {
 315                                 print $out_fh ( ',' x $#{ $data_headers[$val] } ) ; # FIXME +1?
 316                         }
 317                         print $out_fh ',';
 318                 }
 319                 print $out_fh $broj_valova;
 320                 print $out_fh "\n";
 321         }
 322 }
 323 close $out_fh;
 324 print "\n", -s $out_file, " bytes created\n";
 325