Durante mi trabajo en entornos de desarrollo en Mainframe me he topado con los ficheros secuenciales, ficheros cuya definición son líneas de datos donde cada campo viene definido por una longitud física en dicho fichero y una lógica por la copy en COBOL que lo aplantilla.

Por consiguiente, estos ficheros de texto plano almacenan una gran cantidad de datos, pero sin una separación entre dichos datos carecen de posibilidad para un tratamiento más profundo de los mismos por otros sistemas.

Por ello he creado esta función en Python que permite convertir un fichero secuencial en un DataFrame de pandas para su posterior análisis mediante técnicas de Machile Learning como una de las posibilidades que podemos obtener.

	def crear_dataset(d_head,d_data,list_long):
    
   	# d_head es un descriptor de fichero al fichero que contiene la cabecera (un csv por comas simple)
    # d_data es un descriptor de fichero al fichero que contiene los datos
    # list_long es un vector con las longitudes de cada uno de los campos del fichero
    
    rt_dic = {}
    cols_h = d_head.readline().strip().split(",")
    
    #Metemos linea a linea (cada salto de linea) del fichero en una posición del array.
    
    dataje = []
    for line_ in d_data:
        dataje.append(line_.rstrip())
    
    #Creamos un array por cada clave de cabecera en el diccionario que hemos definido anteriormente
    
    for key_h in cols_h:
        rt_dic[key_h] = []
    pos=0
    index=0
    
    # Rellenamos cada uno de los arrays del diccionario según corresponda
    
    for key_h in cols_h:
        for lineadata in dataje:
            rt_dic[key_h].append(lineadata[pos:pos+list_long[index]])
        pos = pos+list_long[index]
        index +=1
    
    # Retornamos el diccionario
    
    return rt_dic     
					

    mainpath_d = 'datasets/'
    d_head_1 = open(mainpath_d+"customer-churn-model/pruebas/cabecera.txt","r")
    d_data_2 = open(mainpath_d+"customer-churn-model/pruebas/datos.txt","r")
    longits = [9,2,7,6,5]
    dici = crear_dataset(d_head_1,d_data_2,longits)
    

    import pandas as pd

    da = pd.DataFrame(dici)
    da.head()