1

Estoy trabajando con el siguiente dataset con nombre df.csv en Linux:

name,id,nametype,recclass,mass (g),fall,year,reclat,reclong,GeoLocation
Aachen,1,Valid,L5,21,Fell,01/01/1880 12:00:00 AM,50.775000,6.083330,"(50.775000; 6.083330)"
Aarhus,2,Valid,H6,720,Fell,01/01/1951 12:00:00 AM,56.183330,10.233330,"(56.18333; 10.233330)"

Se me pide pide crear un nuevo dataset newdf.csv que contenga los campos:

 name, mass (g), year, reclat, reclong, lat, long

Para ello, he seleccionado los campos que se me piden pero para construir lat, long necesito separar el campo GeoLocation en dos, lat i long. De esta manera el dataset nuevo quedaría algo tal que así:

name,id,nametype,recclass,mass (g),fall,year,reclat,reclong,lat,lon
Aachen,1,Valid,L5,21,Fell,01/01/1880 12:00:00 AM,50.775000,6.083330, 50.775000, 6.083330
Aarhus,2,Valid,H6,720,Fell,01/01/1951 12:00:00 AM,56.183330,10.233330, 56.18333, 10.233330

Como restricción no puedo usar awk ni sed.

Por el momento, he seleccionado los campos de la siguiente manera:

cat df.csv | cut -d ',' -f 1,5,7,8,9,10 | head

Output:

Aachen,21,01/01/1880 12:00:00 AM,50.775000,6.083330,"(50.775000; 6.083330)"

1 respuesta 1

3

Teniendo en cuenta que el .csv está bien formateado con las columnas correspondientes:

  1. Mapeamos las siguientes columnas para saber a cual corresponden:
  • name -> Columna 1
  • id -> Columna 2
  • nametype -> Columna 3
  • recclass -> Columna 4
  • mass (g) -> Columna 5
  • fall -> Columna 6
  • year -> Columna 7
  • reclat -> Columna 8
  • reclong -> Columna 9
  • GeoLocation -> Columna 10
  1. Utilizaré un bucle para esto (no veo que lo hayas colocado como una restricción). Dentro del script:
#!/bin/bash

# Usaremos una expresión regular para extraer los dos campos que necesitas de GeoLocation
# Puedes adaptar la regex según como necesites

# Extraemos dos subgrupos, el primero para "lat" y el segundo para "lon"
regex='"\((.*); (.*)\)"'

# Recorremos el fichero, para eso utilizaremos como `internal field separator` la coma
# y colocaremos nombre a cada una de las columnas del fichero:
file='df_one.csv'

# Colocamos un contador:
n=1

# Mientras leemos el fichero, utilizando como separador la coma y asignando a una variable cada columna:
while IFS=, read -r name id nametype recclass mass fall year reclat reclong GeoLocation || [ "$line" ]
do
        # En caso de que sea la primera línea, imprimimos la cabecera:
        if [[ "$n" -eq 1 ]]; then
                echo "$name,$mass,$year,$reclat,$reclong,lat,lon"
                n=$((n+1))
                continue
        fi
        # Utilizamos la expresión regular:
        if [[ $GeoLocation =~ $regex ]]; then
                # Capturamos subgrupos para dividir lat y lon de GeoLocation:
                lat="${BASH_REMATCH[1]}"
                lon="${BASH_REMATCH[2]}"
        fi
        echo "$name,$mass,$year,$reclat,$reclong,$lat,$lon"
done < $file

Si ejecutamos el script:

$ -> bash process.sh 
name,mass (g),year,reclat,reclong,lat,lon
Aachen,21,01/01/1880 12:00:00 AM,50.775000,6.083330,50.775000,6.083330
Aarhus,720,01/01/1951 12:00:00 AM,56.183330,10.233330,56.18333,10.233330

Tu Respuesta

By clicking “Publica tu respuesta”, you agree to our terms of service and acknowledge you have read our privacy policy.

¿No es la respuesta que buscas? Examina otras preguntas con la etiqueta o formula tu propia pregunta.