如何从CSV文件中推断候选键并输出对应列的全部取值

改动说明 #

• 补全原代码缺失的glob、os模块导入，修正pandas别名声明，解决基础运行报错
• 移除了函数调用外层多余的print，避免输出无意义的None值（该函数无返回值）
• 在候选键判定通过的逻辑分支下，新增遍历候选键列、提取列取值并按指定格式打印的逻辑
• 原代码中key_options函数内的调试打印print(7,items)如果不需要可以自行删除

完整修改后代码 #

import pandas as pd
import glob
import os
from itertools import chain, combinations

def key_options(items):
    # 调试打印如不需要可删除
    print(7,items)
    return chain.from_iterable(combinations(items, r) for r in range(1, len(items)+1))

def primary_key_discovery(data_path):
    csv_files = glob.glob(os.path.join(data_path, "*.csv"))
    for f in csv_files:
        df = pd.read_csv(f)
        for candidate in key_options(list(df.columns)[1:]):
            deduped = df.drop_duplicates(candidate)
            if len(deduped.index) == len(df.index):
                # 打印原格式的文件和候选键信息
                print(f, ','.join(candidate))
                # 新增：打印每个候选键列的取值
                for col in candidate:
                    # 这里用unique()取去重后的值，如需打印全部原始值，去掉.unique()即可
                    col_values = df[col].unique().astype(str).tolist()
                    print(f"{col}:{','.join(col_values)}")

primary_key_discovery('Data1/')

输出效果示例 #

运行后输出格式如下：

Data1\vehicle.csv model,price,engine-size
model:camery,altima,aclass
price:18000,22000,25000
engine-size:2.0,2.5,1.3

内容的提问来源于stack exchange，提问作者Noor Khalaf Alhammad