集合で、突き合わせる

月末になると、経理では「請求書を出した先」と「実際にお金が入った先」を見比べます。2つの一覧を照らし合わせて、食い違いを探す作業を、突合（とつごう）と呼びます。

invoices_billed.csv は請求の一覧（12件）、payments.csv は銀行の入金明細（10行）です。入金の「摘要」の先頭に、請求番号が書かれています（INV-2025-0001 ｱｵｲﾃﾞﾝｷ のように）。この番号を取り出して、未入金の請求を探してみましょう。基礎編の for と in を使うと、こう書けます。

▶ 実行を押すと、ここに結果が出ます

split() は、空白で文字を区切ります。[0] は、その先頭、つまり請求番号の部分です。また startswith("INV-") で、請求番号の書かれていない入金（摘要が「ｳｹﾄﾘｷﾝ…」など）を除いています。

未入金は4件と分かりました。動きはしますが、気になる点があります。入金は9件なのに、請求は12件です。9件の中に、同じ番号が2回出てくるものがあるようです（二重入金）。また、「リストを for で回し、if で探す」書き方は、データが数万行になると遅くなります。

このような「2つの一覧の差」を扱うのに向いているのが、集合（set）です。

リストを set(...) で包むと、重複のない箱になります。2つの箱は、-（引き算）で、「片方にあって、もう片方にないもの」を一瞬で出せます。

▶ 実行を押すと、ここに結果が出ます

さきほどと同じ4件が、for も if もなしで出ました。{ ... for ... } は、Lesson 01 の内包表記の「集合版」です（{ } の中に「キー: 値」ではなく、値だけを書くと、集合になります）。

入金の件数が、9件から8件に減っていることにも注目してください。二重入金だった INV-2025-0008 が、1つにまとまりました。

集合には、4つの記号があります。2つの集合を a・b とします。

① 4つの記号を、小さな例で。 社員名簿と、研修の受講者名簿を比べます。

▶ 実行を押すと、ここに結果が出ます

「名簿にない受講者」（山田）は、名簿の漏れか、入力の間違いかもしれません。引き算は、向きを入れ替えると、別の問題の答えになります。両方向を調べるのが、突合の基本です。

② 重複を除く。順番は保つ。 set で重複は消えますが、順番も失われます。順番を残したいときは、dict.fromkeys(...) を使います（辞書のキーは重複できないので、結果的に重複が消え、最初に出た順番が残ります）。

▶ 実行を押すと、ここに結果が出ます

list(set(paid)) と書くと、並びが実行のたびに変わることがあります。順番が大事なときは dict.fromkeys、並べ替えてよいときは sorted(set(...)) にしましょう。

③ 同じものが2回出たかを見つける。 「見たものを seen（見た）という集合に覚えておき、すでに入っていたら重複」という型です。

▶ 実行を押すと、ここに結果が出ます

お題① 未入金の請求番号を、番号順のリストで表示してください。入金のうち請求番号のあるもの（INV- で始まる摘要）の、先頭の番号を集合にして使います。

▶ 実行を押すと、ここに結果が出ます

import csv

with open("invoices_billed.csv", encoding="utf-8") as f:
  billed = {row["請求番号"] for row in csv.DictReader(f)}

with open("payments.csv", encoding="utf-8") as f:
  pay_rows = list(csv.DictReader(f))

paid = {row["摘要"].split()[0] for row in pay_rows if row["摘要"].startswith("INV-")}
print(sorted(billed - paid))

お題② 入金に、請求にない番号が含まれていないか確かめます（向きを入れ替えた引き算です）。ない場合は、空の集合が表示されます。

▶ 実行を押すと、ここに結果が出ます

import csv

with open("invoices_billed.csv", encoding="utf-8") as f:
  billed = {row["請求番号"] for row in csv.DictReader(f)}

with open("payments.csv", encoding="utf-8") as f:
  paid = {row["摘要"].split()[0] for row in csv.DictReader(f) if row["摘要"].startswith("INV-")}

print(paid - billed)

お題③ expenses.csv から、「同じ申請者・同じ申請日・同じ金額」の申請が2回目以降に出てきたものの、申請IDを表示してください。3つの値を (申請者, 申請日, 金額) の組にして、seen に覚えます。

▶ 実行を押すと、ここに結果が出ます

import csv

with open("expenses.csv", encoding="utf-8") as f:
  rows = list(csv.DictReader(f))

seen = set()
dup = []
for row in rows:
  key = (row["申請者"], row["申請日"], row["金額"])
  if key in seen:
      dup.append(row["申請ID"])
  seen.add(key)
print(dup)