使用Miller工具高效处理多CSV文件数据

概述

Miller是一款功能强大的命令行数据处理工具，特别适合处理结构化数据如CSV文件。本文将介绍如何使用Miller实现类似Excel中"从文件夹加载数据"、"合并并加载"多个CSV文件以及"应用转换"的功能。

多文件合并处理

Miller可以轻松处理目录下的多个CSV文件。使用通配符*.csv可以匹配目录下所有CSV文件：

mlr --csv filter '$ColumnX == "1"' ../folder/*.csv > output.csv

这条命令会读取../folder/目录下所有CSV文件，过滤出ColumnX列值为"1"的行，并将结果合并输出到output.csv文件中。

数据过滤操作

Miller提供了强大的过滤功能，主要通过filter动词实现：

1. 基本过滤：保留满足条件的行

mlr --csv filter '$three == 1' input.csv

2. 多条件过滤：使用逻辑运算符组合条件

mlr --csv filter '$columnA == 1 && $columnB == 2' input.csv

3. 字符串匹配过滤：处理包含特定字符串的行

mlr --csv filter '$columnC =~ "pattern"' input.csv

数据转换操作

除了过滤行，Miller还能对特定列的值进行修改：

1. 字符串替换：使用sub或gsub函数

mlr --csv put '$columnD = sub($columnD, "abc", "xyz")' input.csv

2. 条件性修改：只修改满足条件的行

mlr --csv put '$columnE == "TEST" {$columnF = "NEW_VALUE"}' input.csv

3. 多列同时修改：修改多个列的值

mlr --csv put 'if ($columnG == "TEST" && $columnH == "TEST") {
    $columnG = "NEW";
    $columnH = "NEW"
}' input.csv

实际应用示例

假设我们需要处理一个包含产品信息的CSV文件，要求：

1. 过滤出状态为"active"的产品
2. 将价格列中的"$"符号移除
3. 将分类列中的"&"替换为"and"

可以使用以下Miller命令：

mlr --csv filter '$status == "active"' \
    then put '$price = sub($price, "\\$", "");
              $category = gsub($category, "&", "and")' \
    input.csv > output.csv

性能优势

相比Excel，使用Miller处理大量CSV文件具有明显优势：

1. 内存效率高，适合处理大型数据集
2. 命令行操作可轻松集成到自动化流程中
3. 处理速度快，特别适合批量操作
4. 可重复执行，确保结果一致性

总结

Miller提供了强大而灵活的数据处理能力，通过简单的命令行操作就能实现复杂的数据转换任务。无论是简单的过滤还是复杂的数据清洗，Miller都能高效完成，是数据工程师和数据分析师的得力工具。