awkで特定のカラムが共通する2つのファイルを結合したい

Question

アドバイス下さい。
data1.csvとdata2.csvという2つのファイルに共通するCUxxxxxxxという数字を元にそれぞれの
ファイルからいくつかの列を抽出して新しいファイルdata3.csvを作りたいのですがどのようにすればよろしいでしょうか？
解説もつけて頂けると大変助かります。

こちらの質問と似ているので、これを改変しようと思ったのですが、これも何が起こっているのかよくわからず断念しました。
よろしくお願いします。

#data1.csv

id,code,body_code,model,grade
CU6020405559,LE,S,LSハイブリッド,600hL エグゼクティブパッケージ 4WD
CU4789009553,LE,X,RX,200t Fスポーツ 4WD
CU6023989948,LE,S,LS,460 Fスポーツ
CU5156299190,LE,X,RX,450h Fスポーツ 4WD
CU5077203649,LE,X,RX,200t
CU6022300038,LE,D,CT,200h バージョンL
CU5976566878,LE,S,IS,350 Fスポーツ
CU6020279543,LE,X,RX,200t Fスポーツ
CU5934655969,LE,X,LX,570 4WD
CU6013662115,LE,S,GSハイブリッド,300h バージョンL
CU5993396949,LE,S,GS,200t Iパッケージ
CU5973790443,LE,S,HS,250h ハーモニアス スタイル エディション

.
#data2.csv

warranty,id,color,warranty_fee,engine
保証付,CU5156299190,ブラック,100000,ハイブリッド
保証付,CU5077203649,ホワイトパール,100000,ガソリン
保証付,CU6020405559,ブラック,無制限,ハイブリッド
,CU4789009553,ホワイトパール,,ガソリン
保証付,CU5993396949,ソニックチタニウム,無制限,ガソリン
保証付,CU5973790443,ソニッククォーツ,無制限,ハイブリッド
保証付,CU6022300038,ソニッククォーツ,3000,ハイブリッド
保証無,CU5976566878,ホワイトパール,100000,ガソリン
保証付,CU6020279543,パール,100000,ガソリン
保証無,CU5934655969,ブラック,100000,ガソリン
保証付,CU6013662115,シルバー,無制限,ハイブリッド
保証無,CU6023989948,ホワイト,,ガソリン

.
data1.csvとdata2.csvに共通するCUxxxxという数字, data1.csvの5列目, data2.csvの3列目,5列目
というような組み合わせで新しいファイルdata3.csvを作る。

#data3.csv

id,grade,color,engine
CU5156299190,450h Fスポーツ 4WD,ブラック,ハイブリッド
CU5077203649,200t,ホワイトパール,ガソリン
CU6020405559,600hL エグゼクティブパッケージ 4WD,ブラック,ハイブリッド
CU4789009553,200t Fスポーツ 4WD,ホワイトパール,ガソリン
CU5993396949,200t Iパッケージ,ソニックチタニウム,ガソリン
CU5973790443,250h ハーモニアス スタイル エディション,ソニッククォーツ,ハイブリッド
CU6022300038,200h バージョンL,ソニッククォーツ,ハイブリッド
CU5976566878,350 Fスポーツ,ホワイトパール,ガソリン
CU6020279543,200t Fスポーツ,パール,ガソリン
CU5934655969,570 4WD,ブラック,ガソリン
CU6013662115,300h バージョンL,シルバー,ハイブリッド
CU6023989948,460 Fスポーツ,ホワイト,ガソリン

前提・実現したいこと

ここに質問の内容を詳しく書いてください。
（例）PHP(CakePHP)で●●なシステムを作っています。
■■な機能を実装中に以下のエラーメッセージが発生しました。

発生している問題・エラーメッセージ

エラーメッセージ

該当のソースコード

ソースコード

試したこと

ここに問題に対して試したことを記載してください。

補足情報（FW/ツールのバージョンなど）

ここにより詳細な情報を記載してください。

Comments

[t_obara]

xxの質問と似ているが、内容がわからないから、説明を含めて解決方法を提示して欲しいということでしょうか？

[watergames-_-]

ありがとうございます。仰るとおりです。
ただ先の質問より、もう少し複雑なので質問をたてさせて頂きました。
よろしくお願いします。

[Orlofsky]

URLは https://teratail.com/help#about-markdown の [リンク] に修正してください。

[watergames-_-]

ありがとうございます。修正しました。

Answer 1

基本的には、書かれている質問の私の回答の応用で、
1．1つ目のファイルで、連想配列に、キーと出力したい値を記録する
2．2つ目のファイルで、キー値が連想配列にあれば、取り出して、出力したいものを並べる
で、いけると思います。

他の方法としては、データをソートして良いなら、sort+joinでロジックなしに書けます。

join -t, -1 1 -2 2 -o 1.1,1.5,2.3,2.5 <(sort -t, -k 1 data1.csv) <
(sort -t, -k 2 data2.csv)

それぞれをIDのカラムでソートして、IDのカラムでマッチングさせて（1つ目のファイルのカラム1-1 1、2つ目のファイルのカラム2-2 2）、出力したいものを-oで並べる

ソートすると、ヘッダが最後に来ちゃいますが。

Comments

[watergames-_-]

改行コードの件含めありがとうございます。awkのスクリプトで何が起こっているか理解できたので解決できそうです。joinもこんなに細かいことが出来るとは知りませんでした。

Answer 2

https://teratail.com/questions/80410

のotnさんのスクリプトを参考にすればいいと思いますが、たしかにちょっとトリッキーな書き方がなされているので戸惑うかもしれません。

この解答でパラメータがdata2.csv F=1 data1.csvとなっています。これは、スクリプトがまずF==0の状態でdata2.csvに対して実行され、次にF==1となり、しかる後にdata1.csvが実行されるというということです。

スクリプトは2つのアクションから成り立っています。

最初のアクションはF==0のときだけ実行されます。すなわちdata2.csvについてのみ実行されます。しかもnextで終わっているので、data2.csvについてはこのアクションだけが繰り返し実行されることになります。この中では注目すべき列のデータをせっせと連想配列に蓄積していっています。

次のアクションは文法上は両ファイルに対して実行される形ですが、先に述べた通りdata2.csvについてはこのアクションに行き着かないので、実質的に対data1.csv専用です。やっていることは、既に連想配列に記録されている情報があれば追記するだけです。

以上がわかれば改変して使うこともできるはずです。この先は考えてみてください。

Comments

[watergames-_-]

ありがとうございます。やっていることはなんとなくつかめました。
どうも自分の環境だとotnさんのスクリプト自体が上手く走らずにへんな出力が得られることが分かりました。CentOS7で最新のgawkなのですが、何かおかしなことが起こっているようです。試行錯誤してみます。

awk -F, '!F{a[$1]=$2;next}{if($1 in a)$0=$0","a[$1];print}' data2.csv F=1 data1.csv
>結果
若林駅,
,13 駅,10130
神泉駅,10246
沼部駅,10249
両国駅,102538
大塚駅,103926

[otn]

dataファイルの改行コードがおかしいです。
CRLFになっています。LFにしてください。
おそらく、Windowsでファイルを作って、FTPかファイル共有でLinux側に持って行ったのだと思いますが、そういうのは駄目です。Linux上で作業しましょう。どうしてもWindows上で編集したいのなら、改行コード、文字コードに十分注意してください。

[watergames-_-]

ありがとうございます。macのエクセルでcsvにしていたのですがおかしかったようです。
テキストエディタで修正したらちゃんと出力されました。
これで今回のやりたいことにも対応できそうです。

[watergames-_-]

一応解決方法を記載しておきます。
awk -F"," '!F{a[$2]=$3FS$5;next}{if($1 in a)$0=$1FS$5","a[$1];print}' data2.csv F=1 data1.csv