Miller工具中高效过滤CSV数据的技巧
2025-05-25 17:10:40作者:羿妍玫Ivan
概述
在数据处理过程中,经常需要对CSV文件中的特定行进行筛选。Miller作为一款强大的命令行数据处理工具,提供了多种灵活的方式来处理这类需求。本文将介绍如何使用Miller高效地过滤CSV数据,特别是当需要基于多个条件进行筛选时。
正则表达式过滤法
当需要基于某列的多个可能值进行筛选时,最简洁的方法是使用正则表达式:
mlr --csv filter '$column1=~"^(one|two|three|four|five|six|seven|eight)$"' input.csv
这个正则表达式的含义是:
^
匹配字符串开头(one|two|...|eight)
匹配括号内的任意一个单词$
匹配字符串结尾
这种方法特别适合当筛选条件较多时,可以避免冗长的条件语句。
哈希映射过滤法
另一种更结构化的方法是使用哈希映射:
mlr --csv --from input.csv filter '
begin {
@map = {
"one": true,
"two": true,
"three": true,
"four": true,
"five": true,
"six": true,
"seven": true,
"eight": true
}
}
@map[$column1]
'
这种方法将需要保留的值预先存储在哈希表中,然后在过滤时检查当前行的值是否存在于哈希表中。这种方法的优势是逻辑清晰,易于维护,特别是当筛选条件需要频繁修改时。
多列联合过滤
如果需要同时对多列进行相同的筛选,可以使用逻辑或操作:
mlr --csv filter '@map[$column1] || @map[$column2]' input.csv
这表示只要column1或column2中的任意一个值匹配筛选条件,就会保留该行数据。
反向过滤
有时我们需要保留不匹配特定条件的数据行。Miller提供了-x
选项来实现反向过滤:
mlr --csv filter -x '@map[$column1]' input.csv
这将会保留所有column1值不在哈希映射表中的行。
实际应用建议
- 性能考虑:对于大量数据,正则表达式方法通常性能更好
- 可读性:哈希映射方法更易于理解和维护
- 灵活性:两种方法都可以轻松扩展以适应更复杂的筛选条件
通过掌握这些技巧,您可以高效地处理各种CSV数据筛选需求,使数据处理流程更加简洁和高效。
登录后查看全文
热门项目推荐
HunyuanImage-3.0
HunyuanImage-3.0 统一多模态理解与生成,基于自回归框架,实现文本生成图像,性能媲美或超越领先闭源模型00ops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。C++037Hunyuan3D-Part
腾讯混元3D-Part00GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0283Hunyuan3D-Omni
腾讯混元3D-Omni:3D版ControlNet突破多模态控制,实现高精度3D资产生成00Spark-Chemistry-X1-13B
科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile09
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
161
2.03 K

deepin linux kernel
C
22
6

本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
533
60

React Native鸿蒙化仓库
C++
198
279

Ascend Extension for PyTorch
Python
46
78

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
947
556

openGauss kernel ~ openGauss is an open source relational database management system
C++
146
191

本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
381
17

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
997
396