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 open(my $duplicate_fh, '>', 'duplicate.csv');
  89
  90 foreach my $val ( 1 .. 4 ) {
  91         my $file = "$val.csv";
  92         warn "# $file\n";
  93
  94         my $csv = Text::CSV->new ({ binary => 1, auto_diag => 1 });
  95         open my $fh, "<:encoding(utf8)", $file or die "$file: $!";
  96         while (my $row = $csv->getline ($fh)) {
  97                 $stat->{file}->{$file}->{lines}++;
  98                 $stat->{file}->{$file}->{columns}->{ $#$row }++;
  99
 100                 if ( ! exists $data_headers[$val] ) {
 101                         $data_headers[$val] = $row;
 102                         next;
 103                 }
 104
 105                 my $c_id = $row->[0];
 106                 my $c_s = $row->[1];
 107                 my $c_r = $row->[2];
 108                 $row->[0] =~ s/[^\w\d]+//ig && $stat->{file}->{$file}->{corrupt_id}->{$c_id}++ && print 'c0';
 109                 $row->[1] =~ s/\D+//g && $stat->{file}->{$file}->{corrupt_s}->{$c_s}++ && print 'c1';
 110                 $row->[2] =~ s/\D+//g && $stat->{file}->{$file}->{corrupt_r}->{$c_r}++ && print 'c2';
 111                 my $id = join('-',
 112                         uc $row->[0],
 113                         $row->[1],
 114                         $row->[2],
 115                 );
 116
 117                 my $num = uc $row->[0];
 118                 if ( length $num < 3 ) {
 119                         print "IGNORE $val ",dump($row->[ 0 .. 5 ]),$/;
 120                         $stat->{ignore}->{$val}++;
 121                         next;
 122                 }
 123
 124                 my $key_id = $row->[1] . '-' . $row->[2];
 125
 126                 $stat->{A_key_id}->{$key_id}->{$val}++;
 127
 128                 $keys->{ $key_id }->{ $num }++;
 129
 130                 $stat->{exists}->{$val}++ if exists $stat->{_}->{ $id };
 131
 132                 push @{ $stat->{_}->{ $id } }, $val;
 133
 134                 if ( exists $data->{$key_id}->{$num}->{$val} ) {
 135                         $stat->{file}->{$file}->{duplicate_keyid_num}->{$val}++;
 136                         print "DUPLICATE $key_id $num $val old elements=", $#{ $data->{$key_id}->{$num}->{$val} }, "new ", $#$row, $/;
 137                         my $diff;
 138                         my $old = $data->{$key_id}->{$num}->{$val};
 139                         print $duplicate_fh join(',', $file, @$old), "\n";
 140                         print $duplicate_fh join(',', $file, @$row), "\n";
 141                         foreach ( 0 .. $#$row ) {
 142                                 if ( $old->[$_] ne $row->[$_] ) {
 143                                         $diff->[$_] = [ $old->[$_], $row->[$_] ];
 144                                 }
 145                         }
 146                         print "diff = ",dump($diff) if $diff;
 147                         #print "old=", dump( $data->{$key_id}->{$num}->{$val} ), $/;
 148                         #print "new=", dump( $row ), $/;
 149                 }
 150                 $data->{$key_id}->{$num}->{$val} = $row;
 151         }
 152         close $fh;
 153
 154 }
 155
 156
 157 my $merge_ids;
 158
 159 my $first = 1;
 160 # 0.9 - 0.7 -- 0.6 is too lax
 161 foreach my $limit ( 0.7 ) { #, 0.6 ) {
 162 warn "XXX limit $limit\n";
 163
 164 print "# total = ",scalar keys %{ $stat->{_} }, $/;
 165 foreach my $id ( sort keys %{ $stat->{_} } ) {
 166         my @val;
 167         my $v = $stat->{_}->{$id};
 168         if ( defined $v && ref $v eq 'ARRAY' ) {
 169                 @val = @$v;
 170         } else {
 171                 #print "SKIP[$id]";
 172                 next;
 173         }
 174         my $u;
 175         $u->{$_}++ foreach @val;
 176         my @u_v = sort keys %$u;
 177         if ( $first == 1 ) {
 178                 $stat->{A_count}->{ scalar @val }++;
 179                 $stat->{A_count_total}++;
 180
 181                 #$stat->{A_count_val_dup}->{ join(' ', @val) }++; # with duplicates
 182
 183                 $stat->{A_count_val}->{ join(' ', @u_v ) }++; # without duplicates
 184         }
 185
 186         if ( $#u_v < 3 ) { # single, double
 187                 my ( $num, $key_id ) = split(/-/,$id,2);
 188                 my @candidates = candidates $num => $key_id, $limit; #, 0.7; # XXX 0.9 too high, 0.8 better, 0.7 too lax
 189                 if ( @candidates ) {
 190                         print "MERGE ",scalar @candidates, " $limit $num $key_id ", dump( @candidates ), ' val=', dump( \@val ), $/;
 191                         my @keys = map { $_->{key} } @candidates;
 192                         my  $m_id = $id; # "$keys[0]-$key_id";
 193                         foreach my $i ( 0 .. $#keys ) {
 194                                 my  $id = "$keys[$i]-$key_id";
 195                                 if ( ! exists $stat->{_}->{$id} ) {
 196                                         print "ERROR: $num $key_id can't find $i $id";
 197                                 }
 198
 199                                 # XXX I298O-4743-7996
 200                                 if ( duplicate( $m_id => $id ) ) {
 201                                         print "XXX duplicate2 $m_id $id\n";
 202                                         $stat->{duplicate2}++;
 203                                         next;
 204
 205                                 }
 206
 207                                 my $o = delete $stat->{_}->{$id};
 208                                 die "FATAL: can't find $id" if ! $o;
 209
 210                                 my ( $id_s, $s, $r ) = split('-', $id);
 211                                 my $key_s = "$s-$r";
 212
 213                                 foreach my $val ( @$o ) {
 214                                         print '.';
 215                                         push @{ $stat->{_}->{ $m_id } }, $val;
 216                                         print "++ $m_id $val ";
 217                                         $stat->{merge_val}->{$val}++;
 218
 219
 220                                         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};
 221                                         my $m_id_s = (split('-',$m_id,3))[0];
 222                                         $merge_ids->{$val}->{$key_s}->{$id_s} = $m_id_s;
 223
 224                                         my $o_row = delete $data->{$key_s}->{$id_s}->{$val};
 225                                         die "FATAL: $id | $m_id | data $key_s $id_s $val" unless $o_row;
 226                                         $data->{$key_s}->{$m_id_s}->{$val} = $o_row;
 227
 228                                 }
 229                                 my @not_empty = sort keys %{ $data->{$key_s}->{$id_s} };
 230                                 die "FATAL: $id_s not empty" if @not_empty;
 231                                 delete $data->{$key_s}->{$id_s}; # FIXME check before cleanup
 232
 233                                 print "result val=",dump( $stat->{_}->{ $m_id } ), " result_elements=", scalar @{ $stat->{_}->{ $m_id } }, $/;
 234                         }
 235                         $stat->{merge}++;
 236                 }
 237
 238         }
 239 }
 240
 241 print "# total after merge $limit = ",scalar keys %{ $stat->{_} }, $/;
 242
 243 foreach my $id ( sort keys %{ $stat->{_} } ) {
 244         my @val; # = @{ $stat->{_}->{$id} };
 245         my $v = $stat->{_}->{$id};
 246         if ( defined $v && ref $v eq 'ARRAY' ) {
 247                 @val = @$v;
 248         } else {
 249                 print "SKIP[$id]";
 250                 next;
 251         }
 252         $stat->{"B${limit}_count"}->{ scalar @val }++;
 253         $stat->{"B${limit}_count_total"}++;
 254
 255         #$stat->{"B${limit}_count_val_dup"}->{ join(' ', @val) }++; # with duplicates
 256
 257         my $u;
 258         $u->{$_}++ foreach @val;
 259         my @u_v = sort keys %$u;
 260         $stat->{"B${limit}_count_val"}->{ join(' ', @u_v ) }++; # without duplicates
 261 }
 262
 263 $first++;
 264 } # for $limit
 265
 266 print "# stat = ",dump( $stat );
 267 #print "# keys = ",dump( $keys );
 268
 269 store $keys, $keys_file;
 270
 271 my $merge_file = 'merge.storable';
 272 store $merge_ids, $merge_file;
 273 #print "XXX merge_ids = ", dump($merge_ids);
 274
 275 my $out_file = 'merged.csv';
 276 print "out_file $out_file";
 277 open(my $out_fh, '>', $out_file);
 278 foreach my $val ( 1 .. 4 ) {
 279         print $out_fh join(',', map { $_ . '_' . $val } @{ $data_headers[$val] });
 280         print $out_fh ',' if $val < 4;
 281 }
 282 print $out_fh "\n";
 283
 284 foreach my $key ( sort keys %$data ) {
 285         print " $key";
 286         foreach my $id ( sort keys %{ $data->{$key} } ) {
 287                 #print $out_fh "## $id ## ";
 288                 foreach my $val ( 1 .. 4 ) {
 289                         if ( my $id_data = $data->{$key}->{$id}->{$val} ) {
 290                                 print $out_fh join(',', @$id_data);
 291                         } else {
 292                                 print $out_fh ( ',' x $#{ $data_headers[$val] } ) ; # FIXME +1?
 293                         }
 294                         print $out_fh ',' if $val < 4;
 295                 }
 296                 print $out_fh "\n";
 297         }
 298 }
 299 close $out_fh;
 300 print "\n", -s $out_file, " bytes created\n";
 301
 302 close $duplicate_fh;
 303