" }1 a8 f2 o2 w) ^' E3 ]
原标题:资源 | 简单快捷的数据处理,数据科学需要注意的命令行
9 q* B- e# N, l9 u# | 选自Medium
9 Q0 n5 ?; e1 c8 u5 B
作者:Kade Killary
7 s9 ]" n; I: e2 c+ a4 N6 q0 x3 }7 Q
机器之心编译
2 x* c- ]) a9 u Q 参与:Nurhachu Null、思源
( S) q5 g1 T8 }7 J& b
对很多数据科学家而言,他们的数据操作经常需要使用 Pandas 或者 Tidyverse。理论上,这个说法没有任何错误,毕竟这就是这些工具存在的原因。然而,对于分隔符转换这样的简单任务而言,这些工具往往是大材小用,我们可以直接使用命令行快速处理。
! v+ p: s* R0 C& ]" U
命令行应该是每个开发者都希望掌握的,尤其是数据科学家。熟悉终端的来龙去脉可以毫无疑问地可以让我们变得更加有效率,因此命令行还是计算机技术中的一个很棒的历史课。例如,awk 这个数据驱动的脚本语言是 1977 年在 Brina Kernighan 的帮助下首次出现的,Brina Kernighan 就是 K&R 这本书中的 K。在 50 年后的今天,每年仍然能够出现与 awk 相关的新书。因此,我们可以相对保守地假设:一项针对命令行才能的投资在任何新近的时间内都不会贬值。
4 Y6 {) t9 I& c6 \: g J2 L4 | K
* j- O+ ~8 @& ?# m
% U8 X# l( Z# t( O8 u& X/ b8 f* \ 打开凤凰新闻,查看更多高清图片
8 V Y; s; m9 k) x- u; K- G N3 o 9 P! K \7 h% C1 m$ g9 F* n
1 Z% E0 J K h( e 我们将会涉及以下内容
7 \' `1 x5 g8 N4 a
ICONV
3 l8 f3 y( q% W7 F HEAD
; L# x3 U4 V0 O4 M' Y5 z5 ~
TR
5 ]0 b. b5 [# y; `. Q% Q
WC
8 S, x [" ^1 \+ [3 w! s SPLIT
, z2 q3 `8 X& w% u+ Z0 O7 g
SORT & UNIQ
8 I8 r7 x; x8 c4 i CUT
: N5 ]5 C N# C" ^9 i PASTE
2 B. \# i, W, Q! _8 K# |2 | JOIN
6 d- h3 B" \9 q$ d0 N9 i: { GREP
& n& Y7 \# r; ]' m7 _
SED
: p. g4 C0 k/ b7 a1 ?& s9 I9 s6 G! ] AWK
4 O1 R( z6 U, z ICONV(用来转换文件的编码方式)
+ D- m: ^+ N$ R 文件编码可能是比较棘手的。现在的多数文件都是 UTF-8 编码,然而有时候我们拿到的文件并不是这个格式的。这可能导致交换编码格式时的一些不靠谱的尝试。这里,iconv 是一个拯救者,它能以一种编码的文本为输入,输出另一种编码的文本。
# Converting -f (from) latin1 (ISO-8859-1)# -t (to) standard UTF_8iconv -f ISO
-8859-1 -t UTF
-8# B0 [7 U# d- v; [ }' Z
< input.txt > output.txt
( Y0 C$ [4 @1 p( A# u9 T1 M) |
可选参数:
' k' [0 D/ H; Z iconv -l 列出所有已知的编码字符集合
: [- D0 o+ c2 t, Z; z1 i
iconv -c 忽略不能转换的非法字符,静默地丢弃
; r9 h5 c: @2 I, f7 T! G HEAD(用于显示文件的开头内容)
?% g, Z$ N: z/ o' q. Q 如果你是一个频繁使用 Pandas 的用户,那么你会比较熟悉 df.head()。默认情况下 head 命令显示文件的前 10 行内容,当然我们也可以选择不同的参数确定打印的行数或字符数。
# Prints out first 10 lines3 V$ |. K! Z; O" z! p" t0 i
head filename.csv
# Print first 3 lineshead -n
31 `8 f4 f% ` w) ~" @' `
filename.csv
( Y E9 U1 ~& t 可选参数:
/ n/ g% |' s c% X head -n <数字> 打印特定数目的行数
; o8 Q$ C# s: _& }$ B# a
head -c <字符数> 打印特定数目的字符
* G9 K& ^4 }2 X3 O# B TR(对字符进行替换、压缩和删除)
9 M* A/ B# t1 }; B/ t- g* e5 D tr 与转译比较类似,它的强大能力是文件清理的主要工具。例如以下交换文件中的分隔符:
# Converting a tab delimited file into commascat tab_delimited.txt | tr
"\\t" "," comma_delimited.csv
tr 的另一个功能是由我们控制的内置 [:class:] 参数,这些用法包括:
+ D! m0 b# }& D, G4 {% \ u
[:alnum:] 所有的字母和数字
7 S2 E2 M3 s6 v; X( \2 I [:alpha:] 所有的字母
) E' w! A) W/ O# i; j [:blank:] 所有的水平空格
2 `% u% Y! G" C* f* H- _ [:cntrl:] 所有的控制字符(非打印)
9 U1 n0 C8 N7 c
[:digit:] 所有的数字
8 ^; W- w- e$ l$ q ^3 S4 X [:graph:] 所有的可打印字符,不包含空格
0 H6 b7 y$ Y4 `; `: Q9 I( D
[:lower:] 所有的小写字母
1 z; n; r/ y8 S9 V& |1 K+ M [:print:] 所有的可打印字符,包含空格
% F; T; y$ x6 ?2 q; C( W0 ~
[:punct:] 所有的标点符号
8 `3 D( u. S' P7 r& k& a$ i0 J1 P2 A [:space:] 所有的水平或垂直空格
! }$ K9 a- Y, Y. n [:upper:] 所有的大写字母
; d, o4 J7 }5 a; s% B7 q
[:xdigit:] 所有的十六进制字符
+ g+ c7 V7 O( {
我们可以将它们连接在一起组成强大的程序。下面是一个基本的字数统计程序,我们可以用它来检查 README 文档。
cat README.md | tr
"[:punct:][:space:]" "\n" | tr
"[:upper:]" "[:lower:]"* ~+ F; _- S3 {. X+ `( q# o( f
| grep . | sort | uniq -c | sort -nr
1 _0 u- O* M% j H3 P& w6 `! V
使用基本正则表达式的另一个例子是:
# Converting all upper case letters to lower casecat filename.csv | tr
[A-Z] [a-z]
Y* _' j( b0 O) D; y5 j 可选参数:
/ `" j4 l9 T5 ]: I" Q3 x. v tr -d 删除字符
2 H) }- W3 S' a8 v
tr -s 压缩字符(将连续重复的字符用一个字符表示)
% e& l$ {5 N' N5 {! W0 R \b 空格
" y: i6 E+ G% }! u U) p
\f 换页符
7 W$ z/ v% ^1 J+ N6 B% N2 p9 Q4 N \v 垂直制表符
; Y3 @: G# m9 l, W; l) i: p
\NNN 八进制字符 NNN
/ B) Z& D, `" k9 J
WC(用来计数的命令)
8 c2 t0 C3 D7 h2 I
它的值主要来自于 -l flag,它会提供文档的行数。
# Will return number of lines in CSVwc -l gigantic_comma.csv
这个工具可以方便地确认各种命令的输出。所以,如果我们转换了文件中的分隔符,那么运行 wc -l 就可以查看总行数是不是相同,不同就是出了问题。
: {! d4 y) @9 |1 x2 _4 i
可选参数:
! M% Q/ \- I1 k/ N/ T
wc -c 打印 Bytes 数目
% Q: T7 \& X. n; {
wc -m 打印出字符数
$ X9 y1 A6 E, H, }' h7 f0 | wc -L 打印出最长行的字符数
1 k6 p$ A2 R; `6 Y# V
wc -w 打印出单词数目
6 ^4 t% s! j7 } SPLIT(把一个大文件分割成小文件的命令)
: `0 }& m0 ?& l5 x D( ? 文件大小可以使用这个命令大幅度改变。根据任务的不同,分割文件可能会有所帮助,所以就有了 split 命令。split 的基本语法如下:
# We will split our CSV into new_filename every 500 linessplit -l
500
) e4 n6 p% c. r5 E- T- Z! q filename.csv new_filename_
# filename.csv# ls output# new_filename_aaa# new_filename_aab# new_filename_aac
' m0 Q. Q: i1 i3 E4 r p 两个怪异的地方是命名约定和文件的扩展名。后缀约定可以通过-d 标志来约定为数字。为了添加文件扩展名,您需要运行下面的 find 命令。它会改变当前路径下的所有文件名,给每个文件后面扩展.csv,所以,谨慎使用。
find . -type f -
exec mv
{} {}
# U; h7 j! V* j3 K+ l .csv \;
# ls output# filename.csv.csv# new_filename_aaa.csv# new_filename_aab.csv# new_filename_aac.csv2 D [& C. w0 q: E6 y
可选参数:
6 J9 O( u; m0 H9 E" P3 h
split -b 通过确定的字节大小分割
' G" s- g1 C" g+ V; p: g split -a 生成长度为 N 的后缀
& G# `, w8 d4 x- A( J
split -x 使用十六进制后缀分割
" |4 T) s4 \ t6 K; ^ SORT & UNIQ(sort:文件排序;uniq:报告或忽略文件中的重复行,与 sort 结合使用)
* |6 s- [8 ?8 S( o! e o& h- b 这两个命令提供了唯一的单词计数,这是因为 uniq 仅仅在重复的相邻行上运行。因此,这就是在输出之前进行排序的原因。一个有趣的注意事项是:sort -u 会与 sort file.txt | uniq 有着相同的结果。
# e( m. _/ G. I R8 p2 t
对于数据科学家而言,排序具是一种潜在有用的能力:即基于特定列对整个 CSV 文件进行排序的能力。
# Sorting a CSV file by the second column alphabetically
% r; P, J6 r$ x! c1 D sort -t, -k2 filename.csv
# Numerically
+ V6 l5 R& m! v9 |. n0 @ sort -t, -k2n filename.csv
# Reverse ordersort -t, -k2nr filename.csv
这里的-t 选项将逗号作为我们的分隔符,通常会采用空格或者制表符。此外,-k flag 用于指定关键词。
( @3 l" `: c& \) U' ^6 i0 L 可选参数:
3 \2 G0 d+ X% ]( Y8 H
sort -f 忽略大小写
: w. q( ^" n: }! n$ y6 o
sort -r 以相反的顺序排序
1 ?9 b- b! R: v9 s
sort -R 乱序
. H) ~) R9 l& E6 S+ U uniq -c 统计出现的次数
, X* C/ ?1 c/ l; m+ I) Q% E
uniq -d 仅仅打印重复行
# }" S) ]/ W6 Y* }. _. G! I6 {& W
CUT(cut 命令用来显示行中的指定部分,删除文件中指定字段。)
* @0 m& c7 E& K# \1 X
cut 用于删除列。举例来说,如果我们要删除第一列和第三列,可以使用 cut:
cut -d, -f
1,
3 filename.csv
选择除了第一列之外的每一列:
cut -d, -f
2- filename.csv
与其他命令结合使用的时候,cut 作为一个过滤器:
# Print first 10 lines of column 1 and 3, where "some_string_value" is presenthead filename.csv | grep
"some_string_value" | cut -d, -f
1,
3' E9 B( l# L/ d& G2 x0 `
找到第二列中某个特定值出现的次数:
cat filename.csv | cut -d, -f
2, O1 i8 z9 K% l& m5 |3 i' q& A4 j
| sort | uniq | wc -l
# Count occurences of unique values, limiting to first 10 resultscat filename.csv | cut -d, -f
2 | sort | uniq -c | head
PASTE(用于将多个文件按照列队列进行合并)
4 o. [9 a3 x. f8 d& e: k
paste 是一个简洁命令,具有一个有趣的功能。如果您有两个需要合并的文件,并且它们已经排序,paste 能够实现这些功能。
# names.txt
9 h$ }! _0 K/ v( i7 O5 X adam
2 Z/ Q: f$ ^( w( }0 S6 }8 b
john
0 F8 M" u! e) Z r' o+ h
zach
# jobs.txt+ [# S' q$ c L" U# L- b
lawyer
* `9 X# N" C' F
youtuber
# ]# M6 ?( b2 V# N developer
# Join the two into a CSVpaste -d
,8 M3 A S8 e" D. [
names.txt jobs.txt > person_data.txt
# Output' [' a4 e( b/ o+ @8 J" ?3 n
adam,lawyer
8 V) }* D' v" d8 z john,youtuber
zach,developer
更具 SQL 风格的变体,请参见下文。
m5 k% h5 I) a# ^ P; K JOIN(连接并合并文件)
* r3 J1 w1 x" @% v join 命令是一个简单的、拟正切的 SQL。最大的区别在于 join 将返回所有列,并且只能在一个字段上进行匹配。默认情况下,join 将尝试使用第一列作为匹配键。对于不同的结果,必须使用以下语法:
# Join the first file (-1) by the second column# and the second file (-2) by the firstjoin -t,
-1 2 -2 12 \6 m3 q& O6 y' r6 Q
first_file.txt second_file.txt
- \5 _# k/ E& d9 L2 v( { 标准 join 是内部连接。但是,外部连接也可以通过- a flag 实现。另一个值得注意的现象是- e 标志,如果找到丢失的字段,它可以用来替换值。
# Outer join, replace blanks with NULL in columns 1 and 2# -o which fields to substitute - 0 is key, 1.1 is first column, etc...join -t,
-1 2 -a
1 -a2 -e
NULL -o
0,1.1,2.2 first_file.txt second_file.txt
虽然不是最便于用户使用的命令,但是绝望的时候自有绝望的措施。
+ X* x7 F( o6 P/ v
可选参数:
; a, l1 a+ t1 _ [% N% s join -a 打印不能匹配的行
) G5 ~* A# m% U+ V# K; r5 b
join -e 替换丢失的输入字段
, X- y' ~; U: t! T( y join -j 等价于 -1 FIELD -2 FIELD
# Y! D `2 t- ~; C' H( D' b GREP(这是一种强大的文本搜索工具)
/ }6 T9 |1 i1 f 全面搜索正则表达式并打印(grep),这很可能是最出名的命令。grep 有很多强大的能力,尤其是在大型代码库中以我们自己的方式寻找字段。在数据科学领域,它充当着其它命令的细化机制。
# Recursively search and list all files in directory containing wordgrep -lr
word
) t9 k4 Z5 e! g2 \ c .
# List number of files containing wordgrep -lr
word . | wc -l
统计包含单词/模式的总行数
grep -c
some_value9 m+ P6 G5 q0 q* ^! H. Z
filename.csv
# Same thing, but in all files in current directory by file namegrep -c
some_value *
使用\|运算子进行多值操作
grep
"first_value\|second_value" filename.csv
可选参数:
+ U$ e8 [9 @8 D
alias grep="grep --color=auto" 使 grep 色彩化
# o! o' \8 r; E* B& n& Z( ?7 W
grep -E 使用扩展的正则表达式
- u& p, B. M X7 t. W
grep -w 只匹配全字符
8 f2 k$ b0 x6 L grep -l 打印出匹配的文件名
% Z, }5 F6 s. S
grep -v 反转匹配
1 ]" J9 R0 T r$ l; {7 m# F6 v0 q; i
SED(流编辑器)
8 K6 b2 w! o% G( n
sed 是一个逐行运行的流编辑器。它擅长替换,但是也可以用于所有的重构(refactoring)。
3 U: ?9 I! \- |- K. J( k" D$ M. L+ S0 Y 最基本的 sed 命令包含 s/old/new/g。这指的是搜索旧值,并用新值替换。如果没有/gour 命令,终端将在第一次出现这个值之后停止。
+ ^$ u& l* n/ A0 v E 为了快速体验这种能力,让我们来举个例子。若我们有以下文件:
/ G4 u1 A* d9 U1 d( c. s, ]
balance,name
$
1,
0002 `1 k/ E" x/ d, M0 @ \# g+ y4 L
,john
$
2,
000,jack
我们想做的第一件事就是去掉美元符号。-i flag 指的是位置,标志指的是零长度的文件扩展名,然后覆盖初始文件。理想情况下,我们可以单独测试其中的每一个,然后输出到新文件。
sed -i
s/\$//g! a0 r7 C, Y; Z: U2 Z' z
data.txt
# balance,name# 1,000,john# 2,000,jack
4 [& L/ G% o8 P7 E1 Q/ Q8 c 接下来,我们处理 balance 中的逗号
sed -i
s/\([0-9]\),\([0-9]\)/\1\2/g1 T7 e" Y4 q7 }
data.txt
# balance,name# 1000,john# 2000,jack. C1 l( k* O3 t) O1 D
AWK(不仅仅是一个命令)
! ]" ]6 ^+ ]' f* q' v( u7 }! _9 U awk 不仅仅是一个简单的命令:它是一种成熟的语言。在本文所涉及的所有内容中,awk 是最酷的。如果你发现自己对 awk 印象深刻,也可以找更多的资源。
) J' z# S$ p0 [9 ^, u3 @
awk 的用例包括:
/ t$ m4 U1 g& @, L 文本处理
9 o1 X$ c3 _$ ^
格式化文本报告
2 k8 N) E2 o- X$ h# t6 x2 f! L 执行数学运算
# C) _/ G. n( d8 l
执行字符串操作
* ~ D( i5 n' o9 t
最新版的 awk 可以与 grep 并行使用。
awk
/word/ filename.csv
或者使用一些技巧将 grep 和 cut 结合起来。这里,对于所有我们要查找的 word 行,awk 打印第三列和第四列和分隔符。-F,仅将分隔符改为逗号。
awk -F,
/word/ { print $3 "\t" $4 } filename.csv
awk 内置了许多优秀的变量。例如,NF -字段数,NR -记录数。要在文件中获取第五十三条记录,代码如下:
awk -F,
NR == 53 filename.csv
一个额外的功能是基于一个或多个值进行过滤的能力。下面的第一个示例将打印第一列等于 string 记录的行数和列数。
awk -F,
$1 == "string" { print NR, $0 } 7 n1 r( B4 Q h) l/ Y% s9 w7 ]$ d# w: B
filename.csv
# Filter based off of numerical value in second columnawk -F,
$2 == 1000 { print NR, $0 } filename.csv
多数值表达式:
# Print line number and columns where column three greater# than 2005 and column five less than one thousandawk -F,
$3 >= 2005 && $5 <= 1000 { print NR, $0 } filename.csv
对第三列求和:
awk -F,
{ x+=$3 } END { print x } filename.csv
对第一列等于『something』的所有行,对它们的第三列求和。
awk -F,
$1 == "something" { x+=$3 } END { print x } filename.csv
得到文件的维度:
awk -F,
END { print NF, NR }/ e0 w& W+ m( [# e( S- D
filename.csv
# Prettier versionawk -F,
BEGIN { print "COLUMNS", "ROWS" }; END { print NF, NR } filename.csv
打印出现两次的行:
awk -F,
++seen[$0] == 2 filename.csv
删除重复的行:
# Consecutive linesawk
a !~ $0; {a=$0}
- P( H3 V% p4 J3 C8 ~0 g t& P ]
# Nonconsecutive linesawk
! a[$0]++
, b1 U: l* M: } F# g9 J) S filename.csv
# More efficientawk
6 l ~; T: B% O# o" E0 r- v
!($0 in a) {a[$0];print}
% P7 l3 J+ W0 G, Z# _
' r# j# P; E! J0 S& Z 使用内置函数 gsub() 替换多值:
awk
{gsub(/scarlet|ruby|puce/, "red"); print}
8 L6 a+ M I* r, V9 g5 t 这个 awk 命令将合并多个 CSV 文件,忽略文件头,然后将其附加到末尾。
awk
FNR==1 && NR!=1{next;}{print} *.csv > final_file.csv
需要缩减大量文件?awk 可以在 sed 的帮助下处理这个问题。具体而言,这个命令可以基于行数将 一个大文件拆分为多个小文件。
sed
1d;$d filename.csv | awk
NR%NUMBER_OF_LINES==1{x="filename-"++i".csv";}{print > x}# Example: splitting big_data.csv into data_(n).csv every 100,000 linessed
1d;$d big_data.csv | awk
NR%100000==1{x="data_"++i".csv";}{print > x}3 m) H! ]" Y0 X
结语
* Z9 @3 K8 N$ M" K- m
命令行拥有无穷无尽的能力。本文中介绍的命令足以让您在短时间内从小白变成高手。除了这些内容之外,还有许多用于日常数据处理的程序需要考虑。如果你想深入了解命令行数据科学,可以多找一些详细的资源。
# \; N4 J! ?' ~4 E' Y
原文链接:
3 t$ o. d& \7 d4 @! x* m https://medium.com/@kadek/command-line-tricks-for-data-scientists-c98e0abe5da
& N; j* @* S0 A# t4 V5 ?
本文为机器之心编译,转载请联系本公众号获得授权。
+ T) a% I, N0 c. K ✄------------------------------------------------
# F5 Q, ]7 J4 ?8 n; p- x* C+ ]' f3 M& Z 加入机器之心(全职记者/实习生):hr@jiqizhixin.com
% v4 Y6 S$ B) A* ?, m5 ^% X9 P 投稿或寻求报道:content@jiqizhixin.com
" u0 S& X+ `) I) A8 H- _ 广告&商务合作:bd@jiqizhixin.com
- f3 _5 y1 Y6 O5 b. }0 h: @