CODE Polyglot / よく使う書き方 / 08

キーでまとめて数える(group by)

CSV の1列を見て「部署ごとに何件」を数え、多い順に出します。よく見かける書き方は、同じ件数のときの順番が言語ごとに変わり、値の前後の空白を勝手に落とし、列の数が足りない壊れた行まで数えます。

画面にこう出れば正解

どの言語で書いても、同じ入力なら画面に出る文字は1文字も違わない、というのが正解の決め方です(例は Python で動かしたときのコマンドです)。

基本(部署ごとの件数)

input.txt の中身

date,dept,amount
2026-11-01,営業,12000
2026-11-01,開発,8000
2026-11-02,営業,3000
2026-11-02,総務,500
2026-11-03,開発,8000
2026-11-03,営業,7000
$ python3 group_count.py dept < input.txt
営業 3
開発 2
総務 1
合計 6

件数が同じならキーのコードポイント順(漢字は読みの順にならない)

input.txt の中身

date,dept,amount
2026-11-01,総務,100
2026-11-02,開発,100
2026-11-03,営業,100
$ python3 group_count.py dept < input.txt
営業 1
総務 1
開発 1
合計 3

UTF-16 の並べ替えとは順が変わる(絵文字と ¥)

input.txt の中身

id,name,note
1,🍣,x
2,¥,x
3,私,x
$ python3 group_count.py name < input.txt
私 1
¥ 1
🍣 1
合計 3

大文字と小文字(国の設定で並べると a が A より先になる)

input.txt の中身

id,tag,note
1,a,x
2,B,x
3,A,x
4,b,x
5,a,x
6,B,x
7,A,x
8,b,x
$ python3 group_count.py tag < input.txt
A 2
B 2
a 2
b 2
合計 8

濁点の付け方が違う「が」は別のまとまり

input.txt の中身

id,name,note
1,が,x
2,が,x
3,が,x
$ python3 group_count.py name < input.txt
が 2
が 1
合計 3

キーが空の行

input.txt の中身

id,dept,note
1,営業,x
2,,x
3,,x
4,開発,x
5,,x
$ python3 group_count.py dept < input.txt
(空) 3
営業 1
開発 1
合計 5

前後の空白は取らない

input.txt の中身

id,dept,note
1,営業,x
2, 営業,x
3,営業,x
4,営業 ,x
$ python3 group_count.py dept < input.txt
営業 2
 営業 1
営業  1
合計 4

件数が10件と9件(文字として比べると9件が先に来る)

input.txt の中身

id,tag,note
1,A,x
2,A,x
3,A,x
4,A,x
5,A,x
6,A,x
7,A,x
8,A,x
9,A,x
10,A,x
11,B,x
12,B,x
13,B,x
14,B,x
15,B,x
16,B,x
17,B,x
18,B,x
19,B,x
20,C,x
$ python3 group_count.py tag < input.txt
A 10
B 9
C 1
合計 20

キーが数字(コードポイント順なので 10 が 2 より先)

input.txt の中身

id,code,note
1,2,x
2,10,x
3,9,x
$ python3 group_count.py code < input.txt
10 1
2 1
9 1
合計 3

列の数が違う行と空の行が混ざる

input.txt の中身

date,dept,amount
2026-11-01,営業,12000
2026-11-01,開発,8000
2026-11-02,営業,3000
2026-11-02,総務,500
2026-11-03,開発,8000
2026-11-03,営業,7000

2026-11-04,営業
2026-11-05,開発,100,余分
$ python3 group_count.py dept < input.txt
営業 3
開発 2
総務 1
合計 6
読めない行 2

見出しに無い列

input.txt の中身

date,dept,amount
2026-11-01,営業,12000
2026-11-01,開発,8000
2026-11-02,営業,3000
2026-11-02,総務,500
2026-11-03,開発,8000
2026-11-03,営業,7000
$ python3 group_count.py team < input.txt
NG: 列 team がありません

空の入力

input.txt の中身

(空)
$ python3 group_count.py dept < input.txt
NG: 列 dept がありません

見出しだけ(データの行が無い)

input.txt の中身

date,dept,amount
$ python3 group_count.py dept < input.txt
合計 0

改行が \r\n(Windows で保存した CSV)

input.txt の中身

date,dept,amount[CR]
2026-11-01,営業,12000[CR]
2026-11-01,開発,8000[CR]
2026-11-02,営業,3000[CR]
2026-11-02,総務,500[CR]
2026-11-03,開発,8000[CR]
2026-11-03,営業,7000[CR]
$ python3 group_count.py dept < input.txt
営業 3
開発 2
総務 1
合計 6

最後に改行が無い

input.txt の中身

date,dept,amount
2026-11-01,営業,12000
2026-11-01,開発,8000
2026-11-02,営業,3000
2026-11-02,総務,500
2026-11-03,開発,8000
2026-11-03,営業,7000
$ python3 group_count.py dept < input.txt
営業 3
開発 2
総務 1
合計 6

10言語のプログラム

どれもそのまま保存して動かせます。毎朝、上の正解の例をすべて実際に動かして確かめています。

group_count.php8.4.26 で 15 / 15 件の出力が正解と一致

<?php
// 標準入力の CSV を、指定した列の値でまとめて数え、件数の多い順に出す
$col = $argv[1];

// \r\n と \n のどちらでも区切り、空の行を落とす。残った最初の行が見出し
$lines = array_values(array_filter(preg_split('/\r?\n/', stream_get_contents(STDIN)), fn($l) => $l !== ''));
$header = $lines === [] ? [] : explode(',', $lines[0]);
// in_array や array_search は、第3引数を付けないと "0" と "" を同じとみなす
$idx = array_search($col, $header, true);
if ($idx === false) {
    echo "NG: 列 {$col} がありません\n";
    exit;
}

$counts = [];
$total = 0;
$bad = 0;
foreach (array_slice($lines, 1) as $line) {
    $fields = explode(',', $line);
    if (count($fields) !== count($header)) {
        $bad++;
        continue;
    }
    // PHP の配列は "10" のような数字だけの文字列をキーにすると整数に変える。比べるときに (string) で戻す
    $counts[$fields[$idx]] = ($counts[$fields[$idx]] ?? 0) + 1;
    $total++;
}

$keys = array_keys($counts);
// 件数の多い順、同じ件数ならキーのバイトの並び順(strcmp はバイトで比べるので、コードポイント順になる)
usort($keys, fn($a, $b) => ($counts[$b] <=> $counts[$a]) ?: strcmp((string) $a, (string) $b));
foreach ($keys as $k) {
    echo ((string) $k === '' ? '(空)' : $k) . ' ' . $counts[$k] . "\n";
}
echo "合計 {$total}\n";
if ($bad > 0) {
    echo "読めない行 {$bad}\n";
}

動かし方(ファイルを保存したフォルダで)

$ php group_count.php dept < input.txt

サンプルを持ち帰る

この書き方の10言語のプログラムと正解表を、zip でお送りします。利用条件を読んで同意のうえ、メールアドレスを入れてください。

持ち帰りの手続きへ

よく見かける書き方で試すと

仕事でよく見かける書き方(標準の関数をそのまま使う形や、よく紹介される正規表現など)を、同じ正解表で動かした結果です。言語を出した答えごとにまとめ、赤い字はその言語が実際に出した間違った行です。

入力よく見かける書き方の答え(10言語)
基本(部署ごとの件数)dept

✓10言語すべて正解

件数が同じならキーのコードポイント順(漢字は読みの順にならない)dept

✓10言語すべて正解

UTF-16 の並べ替えとは順が変わる(絵文字と ¥)name
  • JavaScript・Java・C#・Kotlin🍣 1
    ¥ 1
  • PHP・Python・Go・Rust・Ruby・Swift✓ 正解
大文字と小文字(国の設定で並べると a が A より先になる)tag

✓10言語すべて正解

濁点の付け方が違う「が」は別のまとまりname
  • Swiftが 3
    合計 3
  • PHP・Python・Go・JavaScript・Java・C#・Rust・Ruby・Kotlin✓ 正解
キーが空の行dept

✓10言語すべて正解

前後の空白は取らないdept
  • PHP・Python・Go・JavaScript・Java・C#・Rust・Ruby・Kotlin・Swift営業 4
    合計 4
件数が10件と9件(文字として比べると9件が先に来る)tag

✓10言語すべて正解

キーが数字(コードポイント順なので 10 が 2 より先)code
  • PHP2 1
    9 1
    10 1
  • Python・Go・JavaScript・Java・C#・Rust・Ruby・Kotlin・Swift✓ 正解
列の数が違う行と空の行が混ざるdept
  • PHP・Python・Go・JavaScript・Java・C#・Rust・Ruby・Kotlin・Swift営業 4
    開発 3
    合計 8
見出しに無い列team

✓10言語すべて正解

空の入力dept

✓10言語すべて正解

見出しだけ(データの行が無い)dept

✓10言語すべて正解

改行が \r\n(Windows で保存した CSV)dept

✓10言語すべて正解

最後に改行が無いdept

✓10言語すべて正解

この書き方の決まり

  • 引数はまとめるキーにする列の名前1つ。標準入力は CSV(1行目が見出し。値にカンマ・引用符・改行は入らない)
  • 「<キー> <件数>」を、件数の多い順に1行ずつ。件数が同じなら、キーを Unicode のコードポイントの小さい順(UTF-8 のバイトの並びの順と同じ)
  • そのあとに「合計 <数えた行の数>」。読めない行があれば、さらに「読めない行 <数>」
  • 見出しにその列が無ければ「NG: 列 <名前> がありません」の1行だけ(空の入力も見出しが無いので同じ)
  • キーが空の行も1つのまとまりとして数える(出すときは「(空)」と書く)
  • 空の行は数えない。列の数が見出しと違う行も数えず、「読めない行」として数える
  • キーは見た目でなく Unicode の文字の並びで比べる(「が」1文字と「か」+濁点の2文字は別のまとまり)。大文字と小文字も別
  • 前後の空白は取らない(「 営業」と「営業」は別)

解説

「多い順」だけでは順番が決まらない

集計の表を作るとき、たいていは連想配列(ハッシュ)に「キー → 件数」を入れます。これをそのまま出すと、言語によって順番が変わります。Go の map と Rust の HashMap、Swift の Dictionary は回す順番が動かすたびに変わり、Java の HashMap はハッシュで決まる順になります。毎日同じ答えになることを確かめるために、この回では「件数の多い順、同じ件数ならキーの順」と最後まで決めました。

決める順番を2つ用意するのは、実務でも同じです。「多い順」だけでは、同じ件数のまとまりの並びがたまたま決まってしまい、入力が1行増えただけで表の見た目が変わります。

同じ件数のときの「キーの順」が、10言語中4言語で違う

キーが 私・¥・🍣 の3つ(どれも1件)のケース(c003)で、よく見かける書き方の答えが2通りに割れました。

よく見かける書き方答え言語
決まり(コードポイント順)私 → ¥ → 🍣PHP・Python・Go・Ruby・Rust・Swift
UTF-16 の並び私 → 🍣 → ¥Java・Kotlin・JavaScript・C#(10言語中4言語)

🍣 は U+1F363、¥(全角の円記号)は U+FFE5 なので、コードポイントでは ¥ が先です。ところが Java・Kotlin・JavaScript・C# の文字列は中身が UTF-16 で、🍣 は U+D83C U+DF63 のサロゲートペアとして入っています。1つ目の値 0xD83C は 0xFFE5 より小さいので、compareTo や < で比べると 🍣 が先に来ます。

この4言語では、UTF-8 のバイトの並びで比べ直すと決まりどおりになります(UTF-8 のバイト順は、コードポイント順と同じになるように作られています)。

言語既定の文字列の比較この回で使った書き方
Pythonコードポイント順そのまま sorted(..., key=lambda kv: (-kv[1], kv[0]))
Go・Rustバイトの並び(UTF-8)そのまま <・cmp
Rubyバイトの並び(UTF-8)そのまま <=>
PHP文字列は最初からバイトの列strcmp(<=> は使わない。次の節)
JavaScriptUTF-16 の並びBuffer.compare(Buffer.from(a), Buffer.from(b))
Java・KotlinUTF-16 の並びArrays.compareUnsigned(a.getBytes(UTF_8), b.getBytes(UTF_8))
C#国の設定に従うEncoding.UTF8.GetBytes(a).AsSpan().SequenceCompareTo(...)
Swift正規化してから比較Array(s.utf8) をキーにして lexicographicallyPrecedes

Java と Kotlin の byte は符号付き(-128〜127)なので、Arrays.compare だと 0x80 以上のバイトが負の数になり、日本語が ASCII より先に来てしまいます。compareUnsigned(Java 9 から)を使います。

PHP の <=> は、数字の文字列を数として比べる

キーが 10・2・9(どれも1件)のケース(c009)で、PHP だけが 2 → 9 → 10 の順になりました。決まりはコードポイント順なので 10 → 2 → 9 です。

PHP 8 の <=> は、両方が数字だけの文字列なら数として比べます。文字として比べるには strcmp を使います。この回のコードでは、PHP の配列が "10" のようなキーを整数の 10 に変えてしまうこともあって、比べる直前に (string) で戻しています。

商品コードや郵便番号のような「数字でできた文字列」をキーにするときは、言語が勝手に数として扱わないかを確かめます。

Swift は、キーにした文字列を正規化する

「が」1文字(U+304C)2件と、「か」+濁点(U+304B U+3099)1件を渡したケース(c005)で、Swift だけが が 3 と答えました(決まりは が 2 と が 1 の2行)。

Swift の String は、== もハッシュも「正規化して同じなら同じ」と決まっています。見た目が同じ文字は同じキーになるので、画面に出す言葉を数えるぶんには親切です。ただし「元のデータのとおりに数える」ときは別物として扱わなければならないので、この回のコードでは Array(文字列.utf8)(UTF-8 のバイトの並び)を辞書のキーにしました。03 順番を保って重複を消す と同じやり方です。

国の設定で並べると、a が A より先に来る

C# の OrderBy(キー) や string.CompareTo は、動かす場所の国の設定(カルチャ)に従います。同じ naive のコードを2か所で動かしたら、落ちたケースの数が変わりました。

  • 検証に使っている Linux のコンテナ: 15件中12件(落ちたのは c003・c007・c010)。このコンテナは ICU(国ごとの並べ方の表)を持たない作りなので、文字の値の順で並びます
  • 手元の Mac: 15件中10件。上に加えて、漢字の並び(c002)と a・A・b・B の並び(c004)でも落ちました。ICU があるため「辞書の順」に並び、a が A より先に来ます

どちらが正しいという話ではなく、同じコードが場所によって違う順番を出すということです。機械が読む出力や、テストで比べる出力を作るときは、StringComparer.Ordinal のように国の設定に左右されない比べ方を選びます(それでも UTF-16 の並びなので、絵文字は上の表のとおりです)。

前後の空白を取ってしまう(10言語中10言語)

営業2件・ 営業1件・営業 1件を渡したケース(c007)で、よく見かける書き方は10言語すべてが 営業 4 と答えました。trim()(PHP は trim、Python は strip、Go は TrimSpace)を通すのは親切な処理に見えますが、集計の母数が変わります。

空白を落としてまとめたいなら、それは仕様です。この回はそう決めていないので落としません。実務では「取り込みのときに空白を落として保存する」のか「集計のときだけ落とす」のかを決めておくと、数が合わない相談が減ります。

列の数を確かめないと、壊れた行まで数える(10言語中10言語)

列が1つ足りない行と、1つ多い行を混ぜたケース(c010)で、よく見かける書き方は10言語すべてが 営業 4 / 開発 3 / 総務 1 / 合計 8(本当は 営業 3 / 開発 2 / 総務 1 / 合計 6 と 読めない行 2)と答えました。

line.split(",")[1] は、列が足りない行でもたまたま何かを返すことがあります。キーの列が左のほうにあると、壊れた行がそのまま集計に混ざり、合計だけが少し多くなります。気づけるようにするには、見出しと列の数を比べて、合わない行を別に数えて出すのがいちばん簡単です。「読めない行 2」が出れば、取り込みの元を直すきっかけになります。

末尾の空の欄が消える言語がある

列の数を数えるので、split の仕様に気をつけます。Java の String.split(",") と Ruby の split(",") は、末尾の空の欄を捨てます("a,b," が3個ではなく2個になる)。どちらも第2引数に -1 を付けると残ります。Swift の split(separator:) は既定で空の欄をすべて捨てるので、omittingEmptySubsequences: false を付けます。Kotlin・Python・JavaScript・PHP・Go・Rust の split は、そのままでも空の欄を残します。

値にカンマや引用符が入る本物の CSV を読むときは、この回のように split で切らず、CSV を読む機能(PHP の str_getcsv、Python の csv、Go の encoding/csv)を使ってください。この回は「値にカンマ・引用符・改行は入らない」と決めたうえで split にしています。