J'ai un fichier avec une colonne. Comment supprimer des lignes répétées dans un fichier?
Sous Unix/Linux, utilisez la commande uniq
, selon la réponse de David Locke, ou sort
, selon le commentaire de William Pursell.
Si vous avez besoin d'un script Python:
lines_seen = set() # holds lines already seen
outfile = open(outfilename, "w")
for line in open(infilename, "r"):
if line not in lines_seen: # not a duplicate
outfile.write(line)
lines_seen.add(line)
outfile.close()
pdate: La combinaison sort
/uniq
supprimera les doublons mais renverra un fichier avec les lignes triées, ce qui peut ou non être ce que vous voulez. Le script Python ci-dessus ne réorganisera pas les lignes, mais supprimera simplement les doublons. Bien sûr, pour que le script ci-dessus soit également trié, il suffit de laisser de côté la fonction outfile.write(line)
et à la place , immédiatement après la boucle, faites outfile.writelines(sorted(lines_seen))
.
Si vous êtes sur * nix, essayez d'exécuter la commande suivante:
sort <file name> | uniq
uniqlines = set(open('/tmp/foo').readlines())
cela vous donnera la liste des lignes uniques.
l'écrire dans un fichier serait aussi simple que:
bar = open('/tmp/bar', 'w').writelines(set(uniqlines))
bar.close()
C'est une refonte de ce qui a déjà été dit ici - voici ce que j'utilise.
import optparse
def removeDups(inputfile, outputfile):
lines=open(inputfile, 'r').readlines()
lines_set = set(lines)
out=open(outputfile, 'w')
for line in lines_set:
out.write(line)
def main():
parser = optparse.OptionParser('usage %prog ' +\
'-i <inputfile> -o <outputfile>')
parser.add_option('-i', dest='inputfile', type='string',
help='specify your input file')
parser.add_option('-o', dest='outputfile', type='string',
help='specify your output file')
(options, args) = parser.parse_args()
inputfile = options.inputfile
outputfile = options.outputfile
if (inputfile == None) or (outputfile == None):
print parser.usage
exit(1)
else:
removeDups(inputfile, outputfile)
if __name__ == '__main__':
main()
Tu peux faire:
import os
os.system("awk '!x[$0]++' /path/to/file > /path/to/rem-dups")
Ici, vous utilisez bash dans python :)
Vous avez également d'autres moyens:
with open('/tmp/result.txt') as result:
uniqlines = set(result.readlines())
with open('/tmp/rmdup.txt', 'w') as rmdup:
rmdup.writelines(set(uniqlines))
obtenez toutes vos lignes dans la liste et faites un ensemble de lignes et vous avez terminé. par exemple,
>>> x = ["line1","line2","line3","line2","line1"]
>>> list(set(x))
['line3', 'line2', 'line1']
>>>
et réécrivez le contenu dans le fichier.
doublures Python One:
python -c "import sys; lines = sys.stdin.readlines(); print ''.join(sorted(set(lines)))" < InputFile > OutputFile
Regardez le script que j'ai créé pour supprimer les e-mails en double des fichiers texte. J'espère que cela t'aides!
# function to remove duplicate emails
def remove_duplicate():
# opens emails.txt in r mode as one long string and assigns to var
emails = open('emails.txt', 'r').read()
# .split() removes excess whitespaces from str, return str as list
emails = emails.split()
# empty list to store non-duplicate e-mails
clean_list = []
# for loop to append non-duplicate emails to clean list
for email in emails:
if email not in clean_list:
clean_list.append(email)
return clean_list
# close emails.txt file
emails.close()
# assigns no_duplicate_emails.txt to variable below
no_duplicate_emails = open('no_duplicate_emails.txt', 'w')
# function to convert clean_list 'list' elements in to strings
for email in remove_duplicate():
# .strip() method to remove commas
email = email.strip(',')
no_duplicate_emails.write(f"E-mail: {email}\n")
# close no_duplicate_emails.txt file
no_duplicate_emails.close()
Si quelqu'un cherche une solution qui utilise un hachage et est un peu plus flashy, voici ce que j'utilise actuellement:
def remove_duplicate_lines(input_path, output_path):
if os.path.isfile(output_path):
raise OSError('File at {} (output file location) exists.'.format(output_path))
with open(input_path, 'r') as input_file, open(output_path, 'w') as output_file:
seen_lines = set()
def add_line(line):
seen_lines.add(line)
return line
output_file.writelines((add_line(line) for line in input_file
if line not in seen_lines))
ajoutant à la réponse de @David Locke, avec les systèmes * nix, vous pouvez exécuter
sort -u messy_file.txt > clean_file.txt
qui va créer clean_file.txt
suppression des doublons par ordre alphabétique.
Voici ma solution
if __name__ == '__main__':
f = open('temp.txt','w+')
flag = False
with open('file.txt') as fp:
for line in fp:
for temp in f:
if temp == line:
flag = True
print('Found Match')
break
if flag == False:
f.write(line)
Elif flag == True:
flag = False
f.seek(0)
f.close()