简单快捷的数据处理，数据科学需要注意的命令行

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。 我们将会涉及以下内容 ICONV HEAD TR WC SPLIT SORT & UNIQ CUT PASTE JOIN GREP SED AWK ICONV（用来转换文件的编码方式） 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_8 iconv -f ISO-8859-1 -t UTF-8 < input.txt > output.txt 可选参数： iconv -l 列出所有已知的编码字符集合 iconv -c 忽略不能转换的非法字符，静默地丢弃 HEAD（用于显示文件的开头内容） 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 lines head filename.csv # Print first 3 lines head -n 3 filename.csv 可选参数： head -n <数字> 打印特定数目的行数 head -c <字符数> 打印特定数目的字符 TR（对字符进行替换、压缩和删除） 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 commas cat 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： [:alnum:] 所有的字母和数字 [:alpha:] 所有的字母 [:blank:] 所有的水平空格 [:cntrl:] 所有的控制字符（非打印） [:digit:] 所有的数字 [:graph:] 所有的可打印字符，不包含空格 [:lower:] 所有的小写字母 [:print:] 所有的可打印字符，包含空格 [:punct:] 所有的标点符号 [:space:] 所有的水平或垂直空格 [:upper:] 所有的大写字母 [:xdigit:] 所有的十六进制字符 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:]" | grep . | sort | uniq -c | sort -nr 使用基本正则表达式的另一个例子是： # Converting all upper case letters to lower case cat filename.csv | tr '[A-Z]' '[a-z]' 可选参数： tr -d 删除字符 tr -s 压缩字符（将连续重复的字符用一个字符表示） \b 空格 \f 换页符 \v 垂直制表符 \NNN 八进制字符 NNN WC（用来计数的命令） 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 CSV wc -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。 可选参数： wc -c 打印 Bytes 数目 wc -m 打印出字符数 wc -L 打印出最长行的字符数 wc -w 打印出单词数目 SPLIT（把一个大文件分割成小文件的命令） 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 lines split -l 500 filename.csv new_filename_ # filename.csv # ls output # new_filename_aaa # new_filename_aab # new_filename_aac 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 '{}' '{}'.csv \; # ls output # filename.csv.csv # new_filename_aaa.csv # new_filename_aab.csv # new_filename_aac.csv 可选参数： split -b 通过确定的字节大小分割 split -a 生成长度为 N 的后缀 split -x 使用十六进制后缀分割 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） 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。 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 sort -t, -k2 filename.csv # Numerically sort -t, -k2n filename.csv # Reverse order sort -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。 可选参数： sort -f 忽略大小写 sort -r 以相反的顺序排序 sort -R 乱序 uniq -c 统计出现的次数 uniq -d 仅仅打印重复行 CUT（cut 命令用来显示行中的指定部分，删除文件中指定字段。） 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 present head filename.csv | grep "some_string_value" | cut -d, -f 1,3 找到第二列中某个特定值出现的次数： cat filename.csv | cut -d, -f 2 | sort | uniq | wc -l # Count occurences of unique values, limiting to first 10 results cat 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） 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 adam john zach # jobs.txt lawyer youtuber developer # Join the two into a CSV paste -d ',' names.txt jobs.txt > person_data.txt # Output adam,lawyer john,youtuber zach,developer 更具 SQL 风格的变体，请参见下文。 JOIN（连接并合并文件） 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 first join -t, -1 2 -2 1 first_file.txt second_file.txt 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。 可选参数： join -a 打印不能匹配的行 join -e 替换丢失的输入字段 join -j 等价于 -1 FIELD -2 FIELD GREP（这是一种强大的文本搜索工具） 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 'word' grep -lr 'word' . # List number of files containing word grep -lr 'word' . | wc -l 统计包含单词/模式的总行数 grep -c 'some_value' filename.csv # Same thing, but in all files in current directory by file name grep -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： alias grep="grep --color=auto" 使 grep 色彩化 grep -E 使用扩展的正则表达式 grep -w 只匹配全字符 grep -l 打印出匹配的文件名 grep -v 反转匹配 SED（流编辑器） 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）。 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。 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: balance,name $1,000,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' data.txt # balance,name # 1,000,john # 2,000,jack 接下来，我们处理 balance 中的逗号 sed -i '' 's/\([0-9]\),\([0-9]\)/\1\2/g' data.txt # balance,name # 1000,john # 2000,jack AWK（不仅仅是一个命令） 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。  awk 的用例包括： 文本处理 格式化文本报告 执行数学运算 执行字符串操作 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 } ' filename.csv # Filter based off of numerical value in second column awk -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 thousand awk -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 }' filename.csv # Prettier version awk -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 lines awk 'a !~ $0; {a=$0}'] # Nonconsecutive lines awk '! a[$0]++' filename.csv # More efficient awk '!($0 in a) {a[$0];print} 使用内置函数 gsub() 替换多值： awk '{gsub(/scarlet|ruby|puce/, "red"); print}' 这个 awk 命令将合并多个 CSV 文件，忽略文件头，然后将其附加到末尾。 awk 'FNR==1 && NR!=1{next;}{print}' *.csv > final_file.csv 需要缩减大量文件？awk 可以在 sed 的帮助下处理这个问题。具体而言，这个命令可以基于行数将 一个大文件拆分为多个小文件。 sed '1d;$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 lines sed '1d;$d' big_data.csv | awk 'NR%100000==1{x="data_"++i".csv";}{print > x}' 结语 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。 原文链接： https://ift.tt/2HlLbCy ]]> 原文： https://ift.tt/2GULWRT 机器知心