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