选自Medium
作者:Kade Killary
机器之心编译
参与:Nurhachu Null、思源
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。
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。
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。
可选参数:
head -n 打印特定数目的行数
head -c 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:
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。
使用基本正则表达式的另一个例子是:
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。
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:
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。
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。
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:
选择除了第一列之外的每一列:
与其他命令结合使用的时候,cut 作为一个过滤器:
找到第二列中某个特定值出现的次数:
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。
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:
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。
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。
统计包含单词/模式的总行数
使用\|运算子进行多值操作
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:
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。
接下来,我们处理 balance 中的逗号
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。
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 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:
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。
多数值表达式:
对第三列求和:
对第一列等于『something』的所有行,对它们的第三列求和。
得到文件的维度:
打印出现两次的行:
删除重复的行:
使用内置函数 gsub() 替换多值:
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。
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。
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。
https://medium.com/@kadek/command-line-tricks-for-data-scientists-c98e0abe5da
本文为机器之心编译,转载请联系本公众号获得授权。
------------------------------------------------
领取专属 10元无门槛券
私享最新 技术干货