Foro - Perl en Español

Este problema (y la misma URL) ya fue respondida en otras dos ocasiones, pero ya no soy capaz de encontrarlas en el histórico del foro.

Así que toca rehacer la respuesta

Primero, hay que ver exactamente de qué estamos hablando. Los datos que leemos y filtramos tienen este aspecto:

donde algunos de los valores puede estar en blanco. En ese caso, hay que sustituirlos por 'NaN'.

El problema con este tipo de problemas es que no podemos usar la función split(), ya que pueden faltar valores y se nos descuadra la información (no sabríamos qué valor del arreglo devuelto por split() corresponde a qué columna).

Así que hay que romper las líneas de otra manera. Lo normal es extraer una de las líneas y agregar algo de ASCII-ART para saber dónde empiezan y acaban las columnas. Tomamos la primera línea y empezamos a dibujar:


Así es fácil saber dónde empieza y acaba cada una. La mayoría de los editores de texto informan de la columna donde está el cursor, así que no haría falta hacer esto. Otros, como el Notepad++ tienen una regla horizontal, para operaciones parecidas.

Y de resultas de ver la primera línea, observamos que, por fortuna, todos los campos tienen exactamente 7 caracteres:


Así que la extracción es aún más sencilla. Con una línea como

ya tenemos leídos todos los valores de los campos.

Y ahora, solo quedaría hacer la transformación de los campos vacíos a 'Nan'. Pues dicho y hecho:

Para el que no lo vea claro: la variable $valor está haciendo de alias de cada uno de los valores de @valores, por lo que modificarla es lo mismo que modificar los valores del arreglo.

Solo quedaría sacarlos al fichero:


Ahora bien, estamos sacando valores todos numéricos. ¿Qué hara printf() cuando se encuentre con un valor 'NaN'? Pues esto:


Bueno, si en vez de 'NaN' nos vale 'nan' (en minúsculas), pues entonces el problema se daría por terminado.

El programa quedaría así:


Ahora bien... ¿qué ocurre si un día cambian los datos de entrada? Pues que tenemos que reeditar el programa.

Una de las características de los buenos programas es su fortaleza frente a los cambios.

En el problema que nos ocupa, vamos a fijarnos en las primeras líneas de los datos de entrada:

Vemos algo interesante:
* los titulares de las columnas están escritos en mayúsculas, mientras que la línea de unidades contienen, sobre todo minúsculas
* esos mismos titulares están alineados, a la derecha, en su respectiva columna.

Es decir: la línea de titulares nos dice:
* cuántas columnas hay
* cómo se llaman
* dónde empiezan y terminan cada una de ellas

Sospechamos que, en el futuro, si hay algún cambio, tanto en el número de columnas, como en su disposición, la línea de titulares nos puede chivar cómo están organizados los datos.

Así que tenemos que hacer dos cosas: saber dónde comienzan y terminan las columnas y cómo ha de ser la salida.

En cuanto a lo segundo tenemos un nuevo problema: no sabemos a priori, con sólo los datos de entrada, cómo es la salida que tenemos que generar. Por eso estamos obligados a hacerlo nosotros mismos a mano:

Lo que sí nos servirán estos valores es para luego poder formatear correctamente la salida del texto 'NaN'.

Sólo queda averiguar dónde está cada columna. Para ello, usaremos una expresión regular que recorra la línea de titulares y nos vaya guardando en un bucle el ancho de cada una.

Usamos la función pos() para saber la posición dentro de la $linea la posición de final de la columna. Ahora ya tenemos en $formato_columnas el formato de la línea de datos, que tendrá un aspecto parecido a este: 'A7A7A7A7A7A7A7A7A7A7A7', que es del tipo de formato especial para la función unpack().

El programa queda así:

Y ya tenemos la solución perfecta (¡esperemos!).

Falta comentar el jaleo de líneas que prepara la salida.

Lo que hacemos es recorrer todos los @valores de las columnas junto con el formato que esperamos, por defecto, usar para sacarle. Miramos a continuación si ese $valor es un blanco o vacío. Si es así, extraemos el $ancho del campo de salida del primer valor decimal del formato. Ejemplo: si el formato es '%6.2f' entonces de ahí extraemos el '6'.

Modificamos a continuación el formato de salida, para pasar de, por ejemplo, '%6.2f' a '%6s'. Y guardamos como nuevo valor de columna el valor de 'NaN' formateado a ese $ancho.

Finalmente, para sacar la línea entera al fichero de salida, creamos un formato de salida para un printf() consistente en la unión (join()) de todos los formatos y le aplicamos a él todos los @valores de las columnas.

Una salida típica ya es como la que queremos:


(Observar que los valores 0 se respetan)

Pero ¿solo deben aparecer esos valores? ¿ninguno más?

Se podría hacer creando antes las filas, llenas de nan, y guardarlas en un array o en un hash. Luego, al leer el fichero, los valores leídos van sobreescribiendo los creados con nan.

Se parece un poco a lo hecho en este abril.