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

   1 #!/usr/bin/perl
   2
   3 # TODO: skola <-> razred swap?
   4
   5 use warnings;
   6 use strict;
   7 use autodie;
   8
   9 # apt install libtext-csv-perl libstring-similarity-perl
  10 use Text::CSV;
  11 use Data::Dump qw(dump);
  12 use String::Similarity;
  13 use Storable;
  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 $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), $/;
  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";
  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 foreach my $nr ( 1 .. 4 ) {
  86         my $file = "$nr.csv";
  87         warn "# $file\n";
  88
  89         my $csv = Text::CSV->new ({ binary => 1, auto_diag => 1 });
  90         open my $fh, "<:encoding(utf8)", $file or die "$file: $!";
  91         while (my $row = $csv->getline ($fh)) {
  92                 $stat->{lines}->{$nr}++;
  93                 $stat->{ $file }->{lines}++;
  94                 $row->[1] =~ s/\D+//g && print 'c1';
  95                 $row->[2] =~ s/\D+//g && print 'c2';
  96                 my $id = join('-',
  97                         uc $row->[0],
  98                         $row->[1],
  99                         $row->[2],
 100                 );
 101
 102                 my $num = uc $row->[0];
 103                 if ( length $num < 3 ) {
 104                         print "IGNORE $nr ",dump($row->[ 0 .. 5 ]),$/;
 105                         $stat->{ignore}->{$nr}++;
 106                         next;
 107                 }
 108
 109                 my $key_id = $row->[1] . '-' . $row->[2];
 110
 111                 $stat->{A_key_id}->{$key_id}->{$nr}++;
 112
 113                 $keys->{ $key_id }->{ $num }++;
 114
 115                 $stat->{exists}->{$nr}++ if exists $stat->{_}->{ $id };
 116
 117                 push @{ $stat->{_}->{ $id } }, $nr;
 118         }
 119         close $fh;
 120
 121 }
 122
 123
 124
 125
 126 #foreach my $l ( 0 .. 5 ) { # 0.9 - 0.7 -- 0.6 is too lax
 127 foreach my $l ( qw( 2 3 4 5 ) ) {
 128         my $limit = 0.9 - "0.$l";
 129 warn "XXX limit $limit\n";
 130
 131 print "# total = ",scalar keys %{ $stat->{_} }, $/;
 132 foreach my $id ( sort keys %{ $stat->{_} } ) {
 133         my @val;
 134         my $v = $stat->{_}->{$id};
 135         if ( defined $v && ref $v eq 'ARRAY' ) {
 136                 @val = @$v;
 137         } else {
 138                 #print "SKIP[$id]";
 139                 next;
 140         }
 141         $stat->{A_count}->{ scalar @val }++;
 142         $stat->{A_count_total}++;
 143
 144         #$stat->{A_count_val_dup}->{ join(' ', @val) }++; # with duplicates
 145
 146         my $u;
 147         $u->{$_}++ foreach @val;
 148         my @u_v = sort keys %$u;
 149         $stat->{A_count_val}->{ join(' ', @u_v ) }++; # without duplicates
 150
 151         if ( $#u_v < 3 ) { # single, double
 152                 my ( $num, $key_id ) = split(/-/,$id,2);
 153                 my @candidates = candidates $num => $key_id, $limit; #, 0.7; # XXX 0.9 too high, 0.8 better, 0.7 too lax
 154                 if ( @candidates ) {
 155                         print "MERGE ",scalar @candidates, " $num $key_id ", dump( @candidates ), ' val=', dump( \@val ), $/;
 156                         my @keys = map { $_->{key} } @candidates;
 157                         my  $m_id = $id; # "$keys[0]-$key_id";
 158                         foreach my $i ( 0 .. $#keys ) {
 159                                 my  $id = "$keys[$i]-$key_id";
 160                                 if ( ! exists $stat->{_}->{$id} ) {
 161                                         print "ERROR: $num $key_id can't find $i $id";
 162                                 }
 163
 164                                 # XXX I298O-4743-7996
 165                                 if ( duplicate( $m_id => $id ) ) {
 166                                         print "XXX duplicate2 $m_id $id\n";
 167                                         $stat->{duplicate2}++;
 168                                         next;
 169
 170                                 }
 171
 172                                 my $o = delete $stat->{_}->{$id};
 173                                 warn "can't find $id" if ! $o;
 174                                 foreach my $val ( @$o ) {
 175                                         print '.';
 176                                         push @{ $stat->{_}->{ $m_id } }, $val;
 177                                         print "++ $m_id $val ";
 178                                         $stat->{merge_val}->{$val}++;
 179                                 }
 180                                 print "result val=",dump( $stat->{_}->{ $m_id } ), " result_elements=", scalar @{ $stat->{_}->{ $m_id } }, $/;
 181                         }
 182                         $stat->{merge}++;
 183                 }
 184
 185         }
 186 }
 187
 188 print "# total after merge $limit = ",scalar keys %{ $stat->{_} }, $/;
 189
 190 foreach my $id ( sort keys %{ $stat->{_} } ) {
 191         my @val; # = @{ $stat->{_}->{$id} };
 192         my $v = $stat->{_}->{$id};
 193         if ( defined $v && ref $v eq 'ARRAY' ) {
 194                 @val = @$v;
 195         } else {
 196                 print "SKIP[$id]";
 197                 next;
 198         }
 199         $stat->{"B${limit}_count"}->{ scalar @val }++;
 200         $stat->{"B${limit}_count_total"}++;
 201
 202         #$stat->{"B${limit}_count_val_dup"}->{ join(' ', @val) }++; # with duplicates
 203
 204         my $u;
 205         $u->{$_}++ foreach @val;
 206         my @u_v = sort keys %$u;
 207         $stat->{"B${limit}_count_val"}->{ join(' ', @u_v ) }++; # without duplicates
 208 }
 209
 210
 211 } # for $limit
 212
 213 print "# stat = ",dump( $stat );
 214 #print "# keys = ",dump( $keys );
 215
 216
 217 store $keys, $keys_file;
 218