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***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。
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)standardUTF_8
- iconv-fISO-8859-1-tUTF-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。
- #Printsoutfirst10lines
- headfilename.csv
- #Printfirst3lines
- head-n3filename.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:
- #Convertingatabdelimitedfileintocommas
- cattab_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。
- catREADME.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:
- #Convertingalluppercaseletterstolowercase
- catfilename.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。
- #WillreturnnumberoflinesinCSV
- wc-lgigantic_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:
- #WewillsplitourCSVintonew_filenameevery500lines
- split-l500filename.csvnew_filename_
- #filename.csv
- #lsoutput
- #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.-typef-execmv'{}''{}'.csv\;
- #lsoutput
- #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。
- #SortingaCSVfilebythesecondcolumnalphabetically
- sort-t,-k2filename.csv
- #Numerically
- sort-t,-k2nfilename.csv
- #Reverseorder
- sort-t,-k2nrfilename.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***列和第三列,可以使用 cut:
- cut-d,-f1,3filename.csv
选择除了***列之外的每一列:
0
- #Printsoutfirst10lines
- headfilename.csv
- #Printfirst3lines
- head-n3filename.csv
与其他命令结合使用的时候,cut 作为一个过滤器:
1
- #Printsoutfirst10lines
- headfilename.csv
- #Printfirst3lines
- head-n3filename.csv
找到第二列中某个特定值出现的次数:
2
- #Printsoutfirst10lines
- headfilename.csv
- #Printfirst3lines
- head-n3filename.csv
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。
3
- #Printsoutfirst10lines
- headfilename.csv
- #Printfirst3lines
- head-n3filename.csv
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。***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***列作为匹配键。对于不同的结果,必须使用以下语法:
4
- #Printsoutfirst10lines
- headfilename.csv
- #Printfirst3lines
- head-n3filename.csv
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。
5
- #Printsoutfirst10lines
- headfilename.csv
- #Printfirst3lines
- head-n3filename.csv
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。
6
- #Printsoutfirst10lines
- headfilename.csv
- #Printfirst3lines
- head-n3filename.csv
统计包含单词/模式的总行数
7
- #Printsoutfirst10lines
- headfilename.csv
- #Printfirst3lines
- head-n3filename.csv
使用\|运算子进行多值操作
8
- #Printsoutfirst10lines
- headfilename.csv
- #Printfirst3lines
- head-n3filename.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***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:
9
- #Printsoutfirst10lines
- headfilename.csv
- #Printfirst3lines
- head-n3filename.csv
我们想做的***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。
0
- #Convertingatabdelimitedfileintocommas
- cattab_delimited.txt|tr"\\t"","comma_delimited.csv
接下来,我们处理 balance 中的逗号
1
- #Convertingatabdelimitedfileintocommas
- cattab_delimited.txt|tr"\\t"","comma_delimited.csv
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
***版的 awk 可以与 grep 并行使用。
2
- #Convertingatabdelimitedfileintocommas
- cattab_delimited.txt|tr"\\t"","comma_delimited.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。
3
- #Convertingatabdelimitedfileintocommas
- cattab_delimited.txt|tr"\\t"","comma_delimited.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:
4
- #Convertingatabdelimitedfileintocommas
- cattab_delimited.txt|tr"\\t"","comma_delimited.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***个示例将打印***列等于 string 记录的行数和列数。
5
- #Convertingatabdelimitedfileintocommas
- cattab_delimited.txt|tr"\\t"","comma_delimited.csv
多数值表达式:
6
- #Convertingatabdelimitedfileintocommas
- cattab_delimited.txt|tr"\\t"","comma_delimited.csv
对第三列求和:
7
- #Convertingatabdelimitedfileintocommas
- cattab_delimited.txt|tr"\\t"","comma_delimited.csv
对***列等于『something』的所有行,对它们的第三列求和。
8
- #Convertingatabdelimitedfileintocommas
- cattab_delimited.txt|tr"\\t"","comma_delimited.csv
得到文件的维度:
9
- #Convertingatabdelimitedfileintocommas
- cattab_delimited.txt|tr"\\t"","comma_delimited.csv
打印出现两次的行:
0
- catREADME.md|tr"[:punct:][:space:]""\n"|tr"[:upper:]""[:lower:]"|grep.|sort|uniq-c|sort-nr
删除重复的行:
1
- catREADME.md|tr"[:punct:][:space:]""\n"|tr"[:upper:]""[:lower:]"|grep.|sort|uniq-c|sort-nr
使用内置函数 gsub() 替换多值:
2
- catREADME.md|tr"[:punct:][:space:]""\n"|tr"[:upper:]""[:lower:]"|grep.|sort|uniq-c|sort-nr
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。
3
- catREADME.md|tr"[:punct:][:space:]""\n"|tr"[:upper:]""[:lower:]"|grep.|sort|uniq-c|sort-nr
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。
4
- catREADME.md|tr"[:punct:][:space:]""\n"|tr"[:upper:]""[:lower:]"|grep.|sort|uniq-c|sort-nr
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://medium.com/@kadek/command-line-tricks-for-data-scientists-c98e0abe5da
【本文是51CTO专栏机构“机器之心”的原创译文,微信公众号“机器之心( id: almosthuman2014)”】
戳这里,看该作者更多好文
知优网 » 简单快捷的数据处理,数据科学需要注意的命令行(常用的数据处理的方法)