Tengo un archivo CSV referente a los suicidios por países, el cual tiene 12 variables.La estructura es la siguiente:
country,year,sex,age,suicides_no,population,suicides/100k pop,country-year,HDI for year, gdp_for_year ($) ,gdp_per_capita ($),generation
Albania,1987,Hombre,15-24 years,21,312900,6.71,Albania1987,,2156624900,796,Generation X
Albania,1987,Hombre,35-54 years,16,308000,5.19,Albania1987,,2156624900,796,Silent
Albania,1987,Mujer,15-24 years,14,289700,4.83,Albania1987,,2156624900,796,Generation X
Albania,1987,Hombre,75+ years,1,21800,4.59,Albania1987,,2156624900,796,G.I. Generation
Albania,1987,Hombre,25-34 years,9,274300,3.28,Albania1987,,2156624900,796,Boomers
Albania,1987,Mujer,75+ years,1,35600,2.81,Albania1987,,2156624900,796,G.I. Generation
Albania,1987,Mujer,35-54 years,6,278800,2.15,Albania1987,,2156624900,796,Silent
Albania,1987,Mujer,25-34 years,4,257200,1.56,Albania1987,,2156624900,796,Boomers
Albania,1987,Hombre,55-74 years,1,137500,0.73,Albania1987,,2156624900,796,G.I. Generation
Cuando aplico el siguiente comando awk para ver el número de suicidios por edades:
tail -n +2 fichero.csv | awk -F, '{a[$4 ","]+=$5} END{for (i in a) print i, a[i]}' | sort -t, -nr -k2
obtengo como resultado el deseado:
35-54 years, 2452141
55-74 years, 1658443
25-34 years, 1123912
15-24 years, 808542
75+ years, 653118
5-14 years, 52264
Sin embargo, cuando aplico el mismo comando, esta vez para ver el número de suicidios por generaciones:
tail -n +2 fichero.csv | awk -F, '{a[$12 ","]+=$5} END{for (i in a) print i, a[i]}'
la salida que obtengo es:
, 2284498
, 15906ion Z
, 1532804n X
, 510009eration
, 623459ls
, 1781744
¿Por qué estoy obteniendo una salida errónea donde se mezclan los valores numéricos con las categorías de la variable, si al aplicar el mismo código para los grupos de edad no me genera ningún problema?
Gracias de antemano!