Linux でフラットファイルデータを扱う

この記事を読んでいただきたい方

* フラットファイルとはどんなデータか知りたい方
* Linux でフラットファイルを操作するやり方の雰囲気を見てみたい方
* IPOC のデータの処理方法の基本「バケツリレー」の中身を知りたい方
* ALZETA の動作原理を知りたい方

1. はじめに

IPOC ではフラットファイル形式のデータを Linux などの UNIX 系システム上で処理しています．ここでは，フラットファイル形式のデータに対してどういう処理が行えるか見てみます．

2. フラットファイルとは

フラットファイルとは，文字情報だけでできた表形式のデータです．一行が一件の「レコード」で，レコードは，区切り文字で分割された複数のフィールドから成ります．もっとも身近なところでは CSV は，区切り文字をカンマ （','） とするフラットファイルです．Excel ファイル（拡張子が ".xls" や ".xlsx" であるもの）と異なるのは，「セルの色」や「フォントの種類，大きさ」という装飾を付けられないところです．最初に述べた「文字情報だけでできた」というのは，そのことを指します．

データの装飾は，データの処理が完了してから最後に Excel や Tableau など，データの可視化に長けたツールを用いて行います．

3. フラットファイルのデータ操作

では，フラットファイルのデータに対してどういう操作が行えるのでしょうか？例をいくつか挙げてみましょう．

3-1. 表示（出力）

cat というツールで，フラットファイルの内容を表示できます．以下は「販売」というフラットファイルの内容を表示した例です．

ツールの使い方（最初の '$' 文字以降を入力します）

$ cat 販売

※この「販売」というフラットファイルは，タブ文字を区切り文字としています．
第1フィールドは時刻 （1レコード目ですと，"2020-01-04 16:02:33"）
第2フィールドは商品コード（1レコード目ですと，"商品B"）
第3フィールドは販売個数（1レコード目ですと，"1"）
です．

3-2. ソート

Linux には sort というツールがあります．以下は，商品コード（第2フィールド）でフラットファイルをソートした例です．

ツールの使い方（最初の '$' 文字以降を入力します）

$ sort -t $'\t' -k 2 販売

"商品A" → "商品E" の順にレコードが並び替えられていることがわかります．

3-3. 集計

awk というツールを使用して，集計ができます．以下は商品コード（第2フィールド）をグループに指定して，販売個数を集計した例です．

ツールの使い方（最初の '$' 文字以降を入力します）

$ awk 'BEGIN {FS = "\t"; OFS = "\t"} {qty[$2] += $3} END {for (i in qty) {print i, qty[i]}}' 販売

3-4. （横）結合

join というツールがあります．以下は二つのフラットファイル「販売」と「商品」を結合する例です．「販売」の商品コードを参照して，対応する商品情報を追加します．

「商品」の内容（商品コード，商品名，単価）

なお，join コマンドで結合を行うときは，結合するファイルを，結合のキーとするフィールドでソートしておく必要があります．「商品」は商品コード順にソートされていますので，「販売」をソートした別のフラットファイル「販売.sorted」を作成し，「販売.sorted」に「商品」を結合します．

ツールの使い方（最初の '$' 文字以降を入力します）

$ sort -t $'\t' -k 2 販売 > 販売.sorted
$ join -t $'\t' -1 2 -2 1 販売.sorted 商品

※ sort コマンドを使用する際に，
"> ファイル"
を指定することにより，データを表示する代わりにファイルに保存します．

3-5. （縦）結合

表示にも使用した cat ツールで，データの縦結合ができます．「販売」に異なる期間の販売データ「販売2」を結合します．

「販売2」の内容

ツールの使い方（最初の '$' 文字以降を入力します）

$ cat 販売  販売2

3-6. （横方向）演算

awk ツールが使用できます．先述の集計は，複数レコードの同一フィールドの集計を取るものでしたが，この演算は，同一レコードの複数フィールドの値を計算して，レコードに加えます．さきほどの「販売」「商品」を横結合したデータを一旦，「販売_詳細」というデータに保存します．「販売_詳細」には，販売数量（第3フィールド）と単価（第5フィールド）がありますので，それらを掛け算して売上データを作ります．

ツールの使い方（最初の '$' 文字以降を入力します）

$ join -t $'\t' -1 2 -2 1 販売.sorted 商品 > 販売_詳細
$ awk 'BEGIN {FS = "\t"; OFS = "\t"} {print $0, $3 * $5}' 販売_詳細

awk を使用して第3フィールドと第5フィールドを掛け算した売上データを，最終フィールドに追加しています．

3-7. 文字列操作

awk を使用して文字列操作ができます．下の例では，商品名の産地情報を先頭から末尾（カッコ付き）に変更して，全て "バナナ" の形式に統一しています．

ツールの使い方（最初の '$' 文字以降を入力します）

$ awk 'BEGIN {FS = "\t"; OFS = "\t"} {print $1, gensub("^([^（）]+産)(.+)$", "\\2（\\1）", "g", $2), $3}' 商品

3-8. （レコード）抽出

awk を使用してレコードの抽出が行えます．下の例では，販売データから "商品A" の販売レコードだけ取り出しています．

ツールの使い方（最初の '$' 文字以降を入力します）

$ awk 'BEGIN {FS = "\t"; OFS = "\t"} {if ($2 == "商品A") print}' 販売

3-9. （フィールド）抽出

awk を使用してフィールドの抽出が行えます．下の例では，先の横方向演算で作成した「販売_詳細」から，商品コード，販売個数，単価のフィールドだけを抽出します．

ツールの使い方（最初の '$' 文字以降を入力します）

$ awk 'BEGIN {FS = "\t"; OFS = "\t"} {print $1, $3, $5}' 販売_詳細

4. データ操作の組み合わせ（バケツリレー）

これまで説明した基本操作を行うごとに，その結果を ">" を使って保存し，さらにその結果に別の基本操作を行う…というやり方で基本操作を組み合わせていくと，業務に必要なデータを得ることができます．「データをバケツリレーにかけていく」とでも言いかえると，より雰囲気を掴んでいただけるかと思います．

バケツリレーの例として，これまでの説明で使用した「販売」「販売2」「商品」のフラットファイルデータから，「商品名を含んだ商品別売上金額データ」を作ってみます．

バケツリレーのやり方（最初の '$' 文字以降を入力します）

※ # で始まる行は，続く行のツールの使用について説明するために記入しているものです（システムには無視されます）

$ # 「販売」と「販売2」のデータを結合して「step1」というデータを作る
$ cat 販売 販売2 > step1

$ # 「step1」を，商品コードでソートして「step2」というデータを作る
$ sort -t $'\t' -k 2 step1 > step2

$ # 「step2」に「商品」データを横結合して，単価情報を加えた「step3」というデータを作る
$ join -t $'\t' -1 2 -2 1 step2 商品 > step3

$ # 売上個数と単価を掛算して，売上金額を加えた「step4」というデータを作る
$ awk 'BEGIN {FS = "\t"; OFS = "\t"} {print $0, $3 * $5}' step3 > step4

$ # awk での集計の手法を用いて，売上金額を商品コードごとに集計した「step5」というデータを作る（最初の集計例と異なり，「step4」が商品コードでソートされている場合に使える集計手法を使っています）
$ awk 'BEGIN {FS = "\t"; OFS = "\t"} NR==1 {prev = $1; sum = $6} NR>1 {if ($1 != prev) {print prev, sum; prev = $1; sum = $6} else {sum += $6}} END {print prev, sum}' step4 > step5

$ # 商品名を付与したいので，再度「商品」データを横結合して「step6」というデータを作る
$ join -t $'\t' -1 1 -2 1 step5 商品 > step6

$ # step6 には不要な「単価」情報が入っているので，それを取り除き「商品コード」「商品名」「売上集計金額」の順に並び替える
$ awk 'BEGIN {FS = "\t"; OFS = "\t"} {print $1, $3, $2}' step6 > step7

$ # 最後に，商品名の産地情報の表示を変更する
$ awk 'BEGIN {FS = "\t"; OFS = "\t"} {print $1, gensub("^([^（）]+産)(.+)$", "\\2（\\1）", "g", $2), $3}' step7

8ステップのバケツリレーで，所望の形で集計データを作成することができました．

この例は，商品ごとの売上金額集計を得るという単純なものでしたが，同じようなやり方で，
* 月別売上集計
* 卸元毎売上集計（←商品ごとに卸元のデータがあれば）
* 商品カテゴリ別売上集計（←商品ごとにカテゴリのデータがあれば）
…
いろんな側面で集計したデータを作れる！という想像が膨らみますね．

ただし，ここまでご紹介したツールは，日常的に Linux をお使いの方でなければ，普段使いするには少々無理がありますね（たとえば，join ツールの "-1 2 -2 1" なんていうのがなかなか馴染み難かったりしますし，awk ツールで指定する内容はそれよりもめんどくさいものが多いですね）．また，ご紹介したようなことは Excel でもできますので，わざわざ Linux で，フラットファイルを使ってやる意味があるのか？という疑問が出てくるはずです．

次回は，そのあたりについて書いていきたいと思います．