資料科學家的命令列技巧-知識星球

來自：開源中國社群

連結：https://www.oschina.net/translate/cli-4-ds

原文：http://kadekillary.work/post/cli-4-ds/

對於許多資料科學家來說，資料操作起始於Pandas或Tidyverse。從理論上看，這個概念沒有錯。畢竟，這是為什麼這些工具首先存在的原因。然而，對於分隔符轉換等簡單任務來說，這些選項通常可能是過於重量級了。

有意掌握命令列應該在每個開發人員的技能鏈上，特別是資料科學家。學習shell中的來龍去脈無可否認地會讓你更高效。除此之外，命令列還在計算方面有一次偉大的歷史記錄。例如，awk – 一種資料驅動的指令碼語言。Awk首次出現於1977年，它是在傳奇的K&R;一書中的K，Brian Kernighan的幫助下出現的。在今天，大約50年之後，awk仍然與每年出現的新書保持相關聯！因此，可以肯定的是，對命令列技術的投入不會很快貶值的。

我們會談及的內容

ICONV
HEAD
TR
WC
SPLIT
SORT & UNIQ
CUT
PASTE
JOIN
GREP
SED
AWK

ICONV

檔案編碼總是棘手的問題。目前大部分檔案都是採用的 UTF-8 編碼。要想瞭解 UTF-8 的魔力，可以看看這個優秀的影片。儘管如此，有時候我們還是會收到非 UTF-8 編碼的檔案。這種情況下就需要嘗試轉碼。iconv 就是這種狀況下的救世主。

iconv 是一個簡單的程式，可以輸入某種編碼的文字，然後以另一種編碼輸出。

# Converting -f (from) latin1 (ISO-8859-1)
# -t (to) standard UTF_8

iconv -f ISO-8859-1 -t UTF-8  output.txt

有用的選項：

head -n 輸出指定行
head -c 輸出指定的位元組

HEAD

如果你是重度Pandas的使用者，那麼你會對head很熟悉。通常在處理新資料時，我們想要做的第一件事就是瞭解究竟存在那些東西。這會引起Panda啟動，讀取資料，然後呼叫df.head() – 很費勁，至少可以說。head，不需要任何標誌，將輸出檔案的前10行。head真正的能力在於徹查清除操作。例如，如果我們想將檔案的分隔符從逗號改變為pipe萬用字元。一個快速測試將是：head mydata.csv | sed ‘s/,/|/g’

# Prints out first 10 lines
head filename.csv
# Print first 3 lines
head -n 3 filename.csv

有用的選項:

head -n 輸出指定行
head -c 輸出指定的位元組

TR命令

Tr類似於翻譯，它是基於檔案清理的一個強大使用的工具。一個理想的用法是替換檔案中的分隔符。

#將檔案中的製表符分割轉換成逗號
cat tab_delimited.txt | tr "" "," comma_delimited.csv

Tr的另一個特性是在你的處理中設定上所有的[:class:]變數。包括：

[:alnum:] 所有字母和數字
[:alpha:] 所有字母
[:blank:] 所有水平空白
[:cntrl:] 所有控制字元
[:digit:] 所有數字
[:graph:] 所有可列印的字元，不包括空格
[:lower:] 全部小寫字母
[:print:] 所有可列印的字元，包括空格
[:punct:] 所有標點符號
[:space:] 所有的水平或垂直空格
[:upper:] 全部大寫字母
[:xdigit:] 所有十六進位制數字

可以將這些多樣化的變數連結在一起，組成一個強大的程式。下麵是一個基於字數統計的程式，用來檢查你的README檔案是否使用過度。

cat README.md | tr "[:punct:][:space:]

另外一個例子用於正則運算式

# 將所有的大寫字母轉換成小寫
cat filename.csv | tr '[A-Z]' '[a-z]'

有用的選項：

tr -d刪除字元
tr -s壓縮字元
退格
換頁
垂直選項卡
NNN八進位制值為NNN的字元

WC

字數統計。它的價值主要體現在使用 -l 引數可以進行行數統計。

# Will return number of lines in CSV
wc -l gigantic_comma.csv

個用這個工具來驗證各個命令的輸出實在方便。因此，如果我們要在檔案中轉換分隔符，然後執行 wc -l，驗證總行數是相同的。如果不同，我們就知道一定是哪裡出錯了。

常用選項：

wc -c 列印位元組數
wc -m 列印字元數
wc -L 列印最長一行的長度
wc -w 列印字數

SPLIT命令

檔案大小可以有顯著變化。根據工作的不同，拆分檔案是有益的，就像split。基本用法如下：

#我們拆分這個CSV檔案，每500行分割為一個新的檔案new_filename

split -l 500 filename.csv new_filename_

# filename.csv
# ls output
# new_filename_aaa
# new_filename_aab
# new_filename_aac

兩個地方很奇怪：一個是命名方式，一個是缺少副檔名。字尾約定可以透過-d標識來數字化。新增檔案副檔名，你需要執行下麵這個find命令。他會給當前檔案夾下的所有檔案追加.csv字尾，所以需要小心使用。

find . -type f -exec mv '{}' '{}'.csv ;

# ls output
# filename.csv.csv
# new_filename_aaa.csv
# new_filename_aab.csv
# new_filename_aac.csv

有效的選項：

split -b按特定位元組大小拆分
split -a生成長度為N的字尾
split -x使用十六進位制字尾分割

SORT & UNIQ

前面的命令是顯而易見的：他們按照自己說的做。這兩者提供了最重要的一擊（即去重單詞計數）。這是由於有uniq，它只處理重覆的相鄰行。因此在管道輸出之前進行排序。一個有趣的事情是，sort -u將獲得與sort file.txt | uniq相同的結果。

Sort確實對資料科學家來說是一種很有用的小技巧：能夠根據特定的列對整個CSV進行排序。

# 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

這裡的-t選項是指定逗號作為分隔符。通常假設是空格或製表符。此外，-k標誌是用來指定我們的鍵的。它的語法是-km,n，m是起始欄位，n是最後一個欄位。

有用的選項：

sort -f 忽略大小寫
sort -r 逆序
sort -R 亂序
uniq -c 計算出現次數
uniq -d 只打印重覆行

CUT命令

cut用於刪除列。舉個慄子，如果我們只想要第一列和第三列。

cut -d, -f 1,3 filename.csv

選擇除了第一列以外的所有列

cut -d, -f 2- filename.csv

與其他的命令組合使用，cut命令作為過濾器

＃列印存在“some_string_value”的第1列和第3列的前10行

head filename.csv | grep "some_string_value" | cut -d, -f 1,3

找出第二列中唯一值的數量。

cat filename.csv | cut -d, -f 2 | sort | uniq | wc -l
# 計算唯一值出現的次數，限制輸出前10個結果
cat filename.csv | cut -d, -f 2 | sort | uniq -c | head

PASTE

paste 是個有趣的小命令。如果你想合併兩個檔案，而這兩個檔案的內容又正好是有序的，那 paste 就可以這樣做。

# 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

關於更多 SQL_-esque 變體，請看下麵。

JOIN

Join是一種簡單的、準切向的SQL。最大的區別在於Join將傳回所有列，匹配可能只發生在一個欄位上。預設情況下，join將嘗試使用第一列作為匹配鍵。對於不同的結果，需要以下語法：

# 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

標準連線是一個內部連線。然而，外部連線也可以透過-af滯後來實現。另一個值得註意的是-e標誌，如果發現有欄位丟失，它可以用來替換成其他值。

# 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

雖然它不是最容易使用的命令，但是在絕望的時刻，它就是唯一可用的措施。

常用的選項：

join -a 列印未成對的行
join -e 替換缺失欄位
join -j 等同於 -1 FIELD -2 FIELD

GREP

全域性搜尋正則運算式並輸出，或使用grep;可能是最知名的命令，並且有很好的理由。 Grep具有很強的能力，特別是在大型程式碼庫中查詢方法。在資料科學領域，它充當了其他命令的改進機制。但其標準用法也很有用。

# 遞迴搜尋併列出當前目錄下包含'word'的所有檔案
grep -lr 'word' .

# 列出包含word的檔案數目
grep -lr 'word' . | wc -l

對包含word/pattern的行數進行計數

grep -c 'some_value' filename.csv

# 同樣的功能，但是按照檔案名列出當前目錄下所有包含該關鍵詞的檔案

grep -c 'some_value' *

Grep使用or運運算元- |來檢索多個值.

grep "first_value|second_value" filename.csv

有用的選項

alias grep=”grep –color=auto” 使grep支援彩色輸出
grep -E 使用擴充套件正則運算式
grep -w 僅匹配完整單詞
grep -l 列印匹配檔案的名稱
grep -v 倒序匹配

大殺器

Sed和Awk是本文兩個最有用的命令。為了簡潔，我不會討論那些令人費解的細節。相反，我會討論各種各樣的命令來證明他們令人印象深刻的實力。如果你想瞭解的更多，這本書就可以。

SED

在核心中sed是一個流編輯器。它擅長替換，但是也可以用來重構。

最基本的sed命令包含了s/old/new/g。也就是全域性搜尋舊值，替換新值。沒有/g 我們的命令可能在第一次出現舊值就會終止。

為了儘快瞭解它的能力，我們來看一個例子。在這個情況你會拿到下麵的檔案：

balance,name
$1,000,john
$2,000,jack

我們要做的第一件事就是移除美元符。-i 標識表示就地修改。”就是代表一個零長度檔案擴充套件，因此重寫我們的初始檔案。理想情況下，你會單獨測試這些並輸出到一個新檔案。

sed -i '' 's/$//g' data.txt

# balance,name
# 1,000,john
# 2,000,jack

下一步，我們的balance列的逗號。

sed -i '' 's/([0-9]),([0-9])//g' data.txt

# balance,name
# 1000,john
# 2000,jack

最終，Jack有一天起來並準備辭職了。所以，再見吧，我的朋友。

sed -i '' '/jack/d' data.txt

# balance,name
# 1000,john

就像你所看到的，sed功能強大，但是樂趣不止於此。

AWK

最好的放最後。Awk不僅是一個簡單的命令：它是一個成熟的語言。在本文中包含的每一個命令中，awk目前是最酷的。如果你發現它令你印象深刻，這有大量的資源- 看這，這，和這。

awk包含的常用案例：

文字處理
格式化文字報告
執行計算操作
執行字串操作

Awk在其最初雛形可以與grep平行。

awk '/word/' filename.csv

或者多使用一點魔法，讓grep和cut結合。在這，awk對所有行透過word列印了以tab分隔的第三和第四列。-F，只是將分隔符變為逗號。

awk -F, '/word/ { print $3 "" $4 }' filename.csv

Awk具有大量有用的內建變數。例如， NF -欄位數 – 和NR – 記錄數。為了獲取檔案中這53個記錄：

awk -F, 'NR == 53' filename.csv

新增一個小竅門可以基於一個值或者多個值過濾。下麵的第一個例子，會列印這些記錄中第一列為string的行數和列。

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

多數值運算式：

# 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

計算第三列之和：

awk -F, '{ x+=$3 } END { print x }' filename.csv

計算那些第一列值為“something”的第三列之和。

awk -F, '$1 == "something" { x+=$3 } END { print x }' filename.csv

獲取檔案的行數列數：

awk -F, 'END { print NF, NR }' filename.csv

# Prettier version

awk -F, 'BEGIN { print "COLUMNS", "ROWS" }; END { print NF, NR }' filename.csv

打印出現過兩次的行：

awk -F, '++seen[$0] == 2' filename.csv

移除多行：

# Consecutive lines
awk 'a !~ $0; {a=$0}']

# Nonconsecutive lines
awk '! a[$0]++' filename.csv

# More efficient
awk '!($0 in a) {a[$0];print}

使用內建函式gsub()替換多個值。

awk '{gsub(/scarlet|ruby|puce/, "red"); print}'

這個awk命令合併了多個CSV檔案，忽略頭併在結尾追加。

awk 'FNR==1 && NR!=1{next;}{print}' *.csv > final_file.csv

需要精簡一個大檔案？好的，awk可以在sed的幫助下完成這件事。具體來說，基於一個行數，這個命令將一個大檔案分為多個小檔案。這個一行檔案也會新增一個副檔名。

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}'

結束前

命令列擁有無窮的力量。本文所涵蓋的命令列知識足以讓你從零基礎到入門。除了這些已涉及的內容外，針對日常資料操作還有需要可考慮的實用程式。Csvkit, xsv和q是其中三個值得關註的。如果你希望進一步深入到命令列的資料科學領域，那麼請看此書。它也可以在此免費獲得！

●編號562，輸入編號直達本文

●輸入m獲取文章目錄

推薦↓↓↓

大資料與人工智慧

更多推薦《18個技術類公眾微信》

涵蓋：程式人生、演演算法與資料結構、駭客技術與網路安全、大資料技術、前端開發、Java、Python、Web開發、安卓開發、iOS開發、C/C++、.NET、Linux、資料庫、運維等。

贊賞

長按二維碼向我轉賬

受蘋果公司新規定影響，微信 iOS 版的贊賞功能被關閉，可透過二維碼轉賬支援公眾號。

閱讀原文

微信掃一掃
使用小程式

即將開啟”“小程式

取消
 開啟

資料科學家的命令列技巧