在天池数据竞赛中需要对其提供的数据进行处理。
现在有这样一些数据,例如
1 78687679,7879877;79879
2 98797;7980787,87987907;
3 9809789,987987,8798789;89798798,9878907;
4 987686;9870987987;8790787
空格前面是数据的id号后面分号之间的数据属于同一个类目,分号之间有多个数据,这些数据可以相互替换,他们之间用逗号隔开。现在每个类目只想要一个数据,多余的为冗余数据,需要去掉。代码如下。
import os
#删除多余的类目的函数
def deleteExtra(d):
#新建一个链表
newitem = []
#判断链表的每个值是否含有逗号,中文逗号
for segment in d:
#如果没有逗号直接添加到新链表中,没有再根据逗号分隔开并将
#分开的第一个链表值添加到新链表里
if ','not in segment:
newitem.append(segment)
else:
dsegment = segment.split(',')
newitem.append(dsegment[0])
#if '\n' not in newitem:
#newitem.append('\n')
print (newitem)
#将新链表用分号连接起来
newline =';'.join(newitem)
#判断新组成的数据中是否有换行符
if newline.find('\n')>0:
fw.write(newline)
else:
newline = newline+'\n'
fw.write(newline)
return 'ok'
fr = open('D:/TianChi/data/dim_fashion_matchsets.txt','r')
fw = open('D:/TianChi/test8.txt','w')
r=fr.readline()
while r!='':
#该句话里面没有逗号直接写到文件里面
if ',' not in r:
fw.write(r)
else :
#有逗号的话,把分号之间的分开
d = r.split(';')
deleteExtra(d)
r = fr.readline()
fr.close()
fw.close()
结果为:
1 78687679;79879
2 98797;7980787
3 9809789,987987;89798798
4 987686;9870987987;8790787