15 KiB
数据科学家的命令行技巧
对于许多数据科学家来说，数据操作从始至终就是 Pandas 或 Tidyverse。从理论上讲，这样做没有任何问题。毕竟，这就是这些工具存在的原因。然而，对于像分隔符转换这样的简单任务，这些工具是大材小用了。
立志掌握命令行应该在每个开发人员的学习清单上，特别是数据科学家。学习 shell 的来龙去脉将无可否认地提高你的生产力。除此之外，命令行还是计算领域的一个重要历史课程。例如，awk —— 一种数据驱动的脚本语言。1977 年，在 Brain Kernighan（即传奇的 K&R 书中 K）的帮助下，awk 首次出现。今天，大约五十年过去了，awk 仍然活跃在每年新出版的书里面。因此，可以安全地假设对命令行魔法的付出不会很快贬值。
我们将涵盖什么
- ICONV
- HEAD
- TR
- WC
- SPLIT
- SORT & UNIQ
- CUT
- PASTE
- JOIN
- GREP
- SED
- AWK
ICONV
文件编码可能会很棘手。现在大部分文件都是 UTF-8 编码的。要了解 UTF-8 背后的一些魔力，请查看这个出色的视频。尽管如此，有时我们收到的文件不是这种编码。这可能引起对改变编码模式的一些胡乱尝试。这里，iconv 是一个拯救者。iconv 是一个简单的程序，它将获取采用一种编码的文本并输出采用另一种编码的文本。
# Converting -f (from) latin1 (ISO-8859-1)
# -t (to) standard UTF_8
iconv -f ISO-8859-1 -t UTF-8 < input.txt > output.txt
实用选项：
iconv -l列出所有已知编码iconv -c默默丢弃无法转换的字符
HEAD
如果你是一个 Pandas 重度用户，那么会很熟悉 head。通常在处理新数据时，我们想做的第一件事就是了解其内容。这就得启动 Pandas，读取数据然后调用 df.head() —— 要说这有点费劲。没有任何选项的 head 将打印出文件的前 10 行。head 的真正力量在于干净利落的测试操作。例如，如果我们想将文件的分隔符从逗号更改为管道。一个快速测试将是：head mydata.csv | sed 's/,/|/g'。
# Prints out first 10 lines
head filename.csv
# Print first 3 lines
head -n 3 filename.csv
实用选项：
head -n打印特定行数head -c打印特定字节数
TR
tr 类似于翻译。这个功能强大的实用程序是文件基础清理的主力。理想的用例是替换文件中的分隔符。
# Converting a tab delimited file into commas
cat tab_delimited.txt | tr "\t" "," comma_delimited.csv
tr 另一个功能是你可以用内建 [:class:] 变量（POSIX 字符类）发挥威力。这些包括了：
[:alnum:]所有字母和数字[:alpha:]所有字母[:blank:]所有水平空白[:cntrl:]所有控制字符[:digit:]所有数字[:graph:]所有可打印字符，但不包括空格[:lower:]所有小写字母[:print:]所有可打印字符，包括空格[:punct:]所有标点符号[:space:]所有水平或垂直空白[:upper:]所有大写字母[:xdigit:]所有 16 进制数字
你可以将这些连接在一起以组成强大的程序。以下是一个基本的字数统计程序，可用于检查 README 是否被滥用。
cat README.md | tr "[:punct:][:space:]" "\n" | tr "[:upper:]" "[:lower:]" | grep . | sort | uniq -c | sort -nr
另一个使用基本正则表达式的例子：
# Converting all upper case letters to lower case
cat filename.csv | tr '[A-Z]' '[a-z]'
实用选项：
tr -d删除字符tr -s压缩字符\b退格\f换页\v垂直制表符\NNN八进制字符
WC
单词计数。它的价值主要来自其 -l 选项，它会给你提供行数。
# 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，如果我们在转换文件中的分隔符之后运行 wc -l，我们会期待总行数是一样的，如果不一致，我们就知道有地方出错了。
实用选项：
wc -c打印字节数wc -m打印字符数wc -L打印最长行的长度wc -w打印单词数量
SPLIT
文件大小的范围可以很广。对于有的任务，拆分文件或许是有好处的，所以使用 split 吧。split 的基本语法是：
# 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_aa
它有两个奇怪的地方是命名约定和缺少文件扩展名。后缀约定可以通过 -d 标志变为数字。要添加文件扩展名，你需要运行以下 find 命令。它将通过附加 .csv 扩展名来更改当前目录中所有文件的名称，所以小心了。
find . -type f -exec mv '{}' '{}'.csv \;
# ls output
# filename.csv.csv
# new_filename_aaa.csv
# new_filename_aab.csv
# new_filename_aac.csv
实用选项：
split -b N按特定字节大小分割split -a N生成长度为 N 的后缀split -x使用十六进制后缀
SORT & UNIQ
上面两个命令很明显：它们的作用就是字面意思。这两者结合起来可以提供最强大的冲击 (例如，唯一单词的数量)。这是由于 uniq 只作用于重复的相邻行。这也是在输出前进行 sort 的原因。一个有趣的事情是 sort -u 会达到和典型的 sort file.txt | uniq 模式一样的结果。
sort 对数据科学家来说确实具有潜在的有用能力：能够根据特定列对整个 CSV 进行排序。
# Sorting a CSV file by the second column alphabetically
sort -t"," -k2,2 filename.csv
# Numerically
sort -t"," -k2n,2 filename.csv
# Reverse order
sort -t"," -k2nr,2 filename.csv
这里的 -t 选项将逗号指定为分隔符，通常假设分隔符是空格或制表符。此外，-k 选项是为了确定我们的键。这里的语法是 -km,n，m 作为开始列，n 作为结束列。
实用选项：
sort -f忽略大小写sort -r反向排序sort -R乱序uniq -c统计出现次数uniq -d只打印重复行
CUT
cut 用于删除列。作为演示，如果我们只想删除第一和第三列。
cut -d, -f 1,3 filename.csv
要选择除了第一行外的所有行。
cut -d, -f 2- filename.csv
结合其他命令，将 cut 用作过滤器。
# 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
查出第二列中唯一值的数量。
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
paste 是一个带有趣味性功能的特定命令。如果你有两个需要合并的文件，并且它们已经排序好了，paste 帮你解决了接下来的步骤。
# 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
更多 SQL 式变种，见下文。
JOIN
join 是一个简单的、准切向的 SQL。最大的区别是 join 将返回所有列以及只能在一个字段上匹配。默认情况下，join 将尝试使用第一列作为匹配键。为了获得不同结果，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
标准的 join 是内连接。然而，外连接通过 -a 选项也是可行的。另一个值得一提的技巧是 -q 标志，如果发现有缺失的字段，可用于替换值。
# 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
它不是最用户友好的命令，而是绝望时刻的绝望措施。
实用选项：
join -a打印不可配对的行join -e替换丢失的输入字段join -j相当于-1 FIELD -2 FIELD
GREP
grep 即 用正则表达式全局搜索并且打印，可能是最有名的命令，并且名副其实。grep 很强大，特别适合在大型代码库中查找。在数据科学的王国里，它充当其他命令的提炼机制。虽然它的标准用途也很有价值。
# Recursively search and list all files in directory containing 'word'
grep -lr 'word' .
# List number of files containing word
grep -lr 'word' . | wc -l
计算包含单词或模式的总行数。
grep -c 'some_value' filename.csv
# Same thing, but in all files in current directory by file name
grep -c 'some_value' *
对多个值使用“或”运算符： \|。
grep "first_value\|second_value" filename.csv
实用选项：
alias grep="grep --color=auto"使 grep 色彩丰富grep -E使用扩展正则表达式grep -w只匹配整个单词grep -l打印匹配的文件名grep -v非匹配
大人物们
sed 和 awk 是本文中最强大的两个命令。为简洁起见，我不打算详细讨论这两个命令。相反，我将介绍各种能证明其令人印象深刻的力量的命令。如果你想了解更多，这儿就有一本书是关于它们的。
SED
sed 本质上是一个流编辑器。它擅长替换，但也可以用于所有输出重构。
最基本的 sed 命令由 s/old/new/g 组成。它的意思是搜索 old，全局替换为 new。 如果没有 /g，我们的命令将在 old 第一次出现后终止。
为了快速了解它的功能，我们可以深入了解一个例子。 在以下情景中，你已有以下文件：
balance,name
$1,000,john
$2,000,jack
我们可能想要做的第一件事是删除美元符号。-i 标志表示原位。'' 表示零长度文件扩展名，从而覆盖我们的初始文件。理想情况下，你可以单独测试，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，去除 blance 列的逗号。
sed -i '' 's/\([0-9]\),\([0-9]\)/\1\2/g' data.txt
# balance,name
# 1000,john
# 2000,jack
最后 jack 有一天决定辞职。所以，再见了，我的朋友。
sed -i '' '/jack/d' data.txt
# balance,name
# 1000,john
正如你所看到的，sed 有很多强大的功能，但乐趣并不止于此。
AWK
最好的留在最后。awk 不仅仅是一个简单的命令：它是一个成熟的语言。在本文中涉及的所有内容中，awk 是目前为止最酷的。如果你感兴趣，这里有很多很棒的资源 —— 看 这里、这里 和 这里。
awk 的常见用例包括：
- 文字处理
- 格式化文本报告
- 执行算术运算
- 执行字符串操作
awk 可以以最原生的形式并行 grep。
awk '/word/' filename.csv
或者更加神奇：将 grep 和 cut 组合起来。在这里，对于所有带我们指定单词 word 的行，awk 打印第三和第四列，用 tab 分隔。-F, 用于指定切分时的列分隔符为逗号。
awk -F, '/word/ { print $3 "\t" $4 }' filename.csv
awk 内置了许多精巧的变量。比如，NF —— 字段数，和 NR —— 记录数。要获取文件中的第 53 条记录：
awk -F, 'NR == 53' filename.csv
更多的花招是其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给定字符串的行的行号和列。
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
多个数值表达式：
# 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
求出第三列的总和：
awk -F, '{ x+=$3 } END { print x }' filename.csv
在第一列等于 something 的那些行，求出第三列值的总和。
awk -F, '$1 == "something" { x+=$3 } END { print x }' filename.csv
获取文件的行列数：
awk -F, 'END { print NF, NR }' filename.csv
# Prettier version
awk -F, 'BEGIN { print "COLUMNS", "ROWS" }; END { print NF, NR }' filename.csv
打印出现了两次的行：
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[$0];print}
使用内置函数 gsub() 替换多个值。
awk '{gsub(/scarlet|ruby|puce/, "red"); print}'
这个 awk 命令将组合多个 CSV 文件，忽略标题，然后在最后附加它。
awk 'FNR==1 && NR!=1{next;}{print}' *.csv > final_file.csv
需要缩小一个庞大的文件？ awk 可以在 sed 的帮助下处理它。具体来说，该命令根据行数将一个大文件分成多个较小的文件。这个一行脚本将增加一个扩展名。
sed '1d;$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力量。本文中介绍的命令足以将你从一无所知提升到英雄人物。除了涵盖的内容之外，还有许多实用程序可以考虑用于日常数据操作。Csvkit、xsv 还有 q 是需要记住的三个。如果你希望更深入地了解命令行数据科学，查看这本书。它也可以免费在线获得！
via: http://kadekillary.work/post/cli-4-ds/
作者：Kade Killary 选题：lujun9972 译者：GraveAccent 校对：wxy