數據科學家的命令行技巧

時間  2019-12-07
標籤 數據 科學 家的 命令行 技巧 简体版
原文   原文鏈接

 

 

數據科學家的命令行技巧

對於許多數據科學家來講，數據操做起始於Pandas或Tidyverse。從理論上看，這個概念沒有錯。畢竟，這是爲何這些工具首先存在的緣由。然而，對於分隔符轉換等簡單任務來講，這些選項一般多是過於重量級了。git

有意掌握命令行應該在每一個開發人員的技能鏈上，特別是數據科學家。學習shell中的前因後果無能否認地會讓你更高效。除此以外，命令行還在計算方面有一次偉大的歷史記錄。例如，awk - 一種數據驅動的腳本語言。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年以後，awk仍然與每一年出現的新書保持相關聯! 所以，能夠確定的是，對命令行技術的投入不會很快貶值的。正則表達式

若是你想了解大數據的學習路線，想學習大數據知識以及須要免費的學習資料能夠加羣：784789432.歡迎你的加入。天天下午三點開直播分享基礎知識，晚上20:00都會開直播給你們分享大數據項目實戰。sql

 

咱們會談及的內容shell

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

文件編碼老是棘手的問題。目前大部分文件都是採用的 UTF-8 編碼。要想了解 UTF-8 的魔力，能夠看看這個優秀的視頻。儘管如此，有時候咱們仍是會收到非 UTF-8 編碼的文件。這種狀況下就須要嘗試轉碼。iconv 就是這種情況下的救世主。iconv 是一個簡單的程序，能夠輸入某種編碼的文本，而後以另外一種編碼輸出。ruby

  1. # Converting -f (from) latin1 (ISO-8859-1) 
  2. # -t (to) standard UTF_8 
  3.  
  4. iconv -f ISO-8859-1 -t UTF-8 < input.txt > output.txt 

經常使用選項：less

  • iconv -l 列出全部支持的編碼
  • iconv -c 不做提示就丟棄沒法轉換的字符

HEAD編輯器

若是你是重度Pandas的用戶，那麼你會對head很熟悉。一般在處理新數據時，咱們想要作的第一件事就是了解究竟存在那些東西。這會引發Panda啓動，讀取數據，而後調用df.head() - 很費勁，至少能夠說。head，不須要任何標誌，將輸出文件的前10行。head真正的能力在於徹查清除操做。 例如，若是咱們想將文件的分隔符從逗號改變爲pipe通配符。一個快速測試將是：head mydata.csv | sed 's/,/|/g'函數

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

有用的選項:工具

  • head -n 輸出指定行
  • head -c 輸出指定的字節

TR命令學習

Tr相似於翻譯，它是基於文件清理的一個強大使用的工具。一個理想的用法是替換文件中的分隔符。

  1. #將文件中的製表符分割轉換成逗號 
  2. cat tab_delimited.txt | tr "\t" "," comma_delimited.csv 

Tr的另外一個特性是在你的處理中設置上全部的[:class:]變量。包括：

  1. [:alnum:] 全部字母和數字 
  2. [:alpha:] 全部字母 
  3. [:blank:] 全部水平空白 
  4. [:cntrl:] 全部控制字符 
  5. [:digit:] 全部數字 
  6. [:graph:] 全部可打印的字符，不包括空格 
  7. [:lower:] 所有小寫字母 
  8. [:print:] 全部可打印的字符，包括空格 
  9. [:punct:] 全部標點符號 
  10. [:space:] 全部的水平或垂直空格 
  11. [:upper:] 所有大寫字母 
  12. [:xdigit:] 全部十六進制數字 

能夠將這些多樣化的變量連接在一塊兒，組成一個強大的程序。下面是一個基於字數統計的程序，用來檢查你的README文件是否使用過分。

  1. cat README.md | tr "[:punct:][:space:]" "\n" | tr "[:upper:]" "[:lower:]" | grep . | sort | uniq -c | sort -nr 

另一個例子用於正則表達式

  1. # 將全部的大寫字母轉換成小寫 
  2. cat filename.csv | tr '[A-Z]' '[a-z]' 

有用的選項：

  • tr -d刪除字符
  • tr -s壓縮字符
  • \b退格
  • \f換頁
  • \v垂直選項卡
  • \NNN八進制值爲NNN的字符

WC

字數統計。它的價值主要體如今使用 -l 參數能夠進行行數統計。

  1. # Will return number of lines in CSV  
  2. 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。所以，若是咱們要在文件中轉換分隔符，而後運行 wc -l，驗證總行數是相同的。若是不一樣，咱們就知道必定是哪裏出錯了。

經常使用選項：

  • wc -c 打印字節數
  • wc -m 打印字符數
  • wc -L 打印最長一行的長度
  • wc -w 打印字數

SPLIT命令

文件大小能夠有顯著變化。根據工做的不一樣，拆分文件是有益的，就像split。基本用法以下：

  1. #咱們拆分這個CSV文件，每500行分割爲一個新的文件new_filename 
  2.  
  3. split -l 500 filename.csv new_filename_ 
  4.  
  5. # filename.csv 
  6. # ls output 
  7. # new_filename_aaa 
  8. # new_filename_aab 
  9. # new_filename_aac 

兩個地方很奇怪：一個是命名方式，一個是缺乏擴展名。後綴約定能夠經過-d標識來數字化。添加文件擴展名，你須要執行下面這個find命令。他會給當前文件夾下的全部文件追加.csv後綴，因此須要當心使用。

  1. find . -type f -exec mv '{}' '{}'.csv \; 
  2.  
  3. # ls output 
  4. # filename.csv.csv 
  5. # new_filename_aaa.csv 
  6. # new_filename_aab.csv 
  7. # new_filename_aac.csv 

有效的選項：

  • split -b按特定字節大小拆分
  • split -a生成長度爲N的後綴
  • split -x使用十六進制後綴分割

SORT & UNIQ

前面的命令是顯而易見的：他們按照本身說的作。這二者提供了最重要的一擊(即去重單詞計數)。這是因爲有uniq，它只處理重複的相鄰行。所以在管道輸出以前進行排序。一個有趣的事情是，sort -u將得到與sort file.txt | uniq相同的結果。

Sort確實對數據科學家來講是一種頗有用的小技巧：可以根據特定的列對整個CSV進行排序。

  1. # Sorting a CSV file by the second column alphabetically  
  2. sort -t"," -k2,2 filename.csv  
  3. # Numerically  
  4. sort -t"," -k2n,2 filename.csv  
  5. # Reverse order  
  6. sort -t"," -k2nr,2 filename.csv 

這裏的-t選項是指定逗號做爲分隔符。一般假設是空格或製表符。此外，-k標誌是用來指定咱們的鍵的。它的語法是-km,n，m是起始字段，n是最後一個字段。

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 只打印重複行

CUT命令

cut用於刪除列。舉個栗子，若是咱們只想要第一列和第三列。

  1. cut -d, -f 1,3 filename.csv 

選擇除了第一列之外的全部列

  1. cut -d, -f 2- filename.csv 

與其餘的命令組合使用，cut命令做爲過濾器

  1. #打印存在「some_string_value」的第1列和第3列的前10行 
  2. head filename.csv | grep "some_string_value" | cut -d, -f 1,3 

找出第二列中惟一值的數量。

  1. cat filename.csv | cut -d, -f 2 | sort | uniq | wc -l  
  2. # 計算惟一值出現的次數，限制輸出前10個結果  
  3. cat filename.csv | cut -d, -f 2 | sort | uniq -c | head 

PASTE

paste 是個有趣的小命令。若是你想合併兩個文件，而這兩個文件的內容又正好是有序的，那 paste 就能夠這樣作。

  1. # names.txt 
  2. adam 
  3. john 
  4. zach 
  5.  
  6. # jobs.txt 
  7. lawyer 
  8. youtuber 
  9. developer 
  10.  
  11. # Join the two into a CSV 
  12.  
  13. paste -d ',' names.txt jobs.txt > person_data.txt 
  14.  
  15. # Output 
  16. adam,lawyer 
  17. john,youtuber 
  18. zach,developer 

關於更多 SQL_-esque 變體，請看下面。

JOIN

Join是一種簡單的、準切向的SQL。最大的區別在於Join將返回全部列，匹配可能只發生在一個字段上。默認狀況下，join將嘗試使用第一列做爲匹配鍵。對於不一樣的結果，須要如下語法：

  1. # Join the first file (-1) by the second column 
  2. # and the second file (-2) by the first 
  3.  
  4. join -t"," -1 2 -2 1 first_file.txt second_file.txt 

標準鏈接是一個內部鏈接。然而，外部鏈接也能夠經過-af滯後來實現。另外一個值得注意的是-e標誌，若是發現有字段丟失，它能夠用來替換成其餘值。

  1. # Outer join, replace blanks with NULL in columns 1 and 2 
  2. # -o which fields to substitute - 0 is key, 1.1 is first column, etc... 
  3.  
  4. 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，可是在絕望的時刻，它就是惟一可用的措施。

經常使用的選項:

  • join -a 打印未成對的行
  • join -e 替換缺失字段
  • join -j 等同於 -1 FIELD -2 FIELD

GREP

全局搜索正則表達式並輸出，或使用grep;多是最知名的命令，而且有很好的理由。 Grep具備很強的能力，特別是在大型代碼庫中查找方法。在數據科學領域，它充當了其餘命令的改進機制。但其標準用法也頗有用。

  1. # 遞歸搜索並列出當前目錄下包含'word'的全部文件 
  2. grep -lr 'word' . 
  3.  
  4. # 列出包含word的文件數目 
  5. grep -lr 'word' . | wc -l 

對包含word/pattern的行數進行計數

  1. grep -c 'some_value' filename.csv  
  2. # 一樣的功能，可是按照文件名列出當前目錄下全部包含該關鍵詞的文件  
  3. grep -c 'some_value' * 

Grep使用or運算符- \|來檢索多個值.

  1. grep "first_value\|second_value" filename.csv 

有用的選項

  • alias grep="grep --color=auto" 使grep支持彩色輸出
  • grep -E 使用擴展正則表達式
  • grep -w 僅匹配完整單詞
  • grep -l 打印匹配文件的名稱
  • grep -v 倒序匹配

大殺器

Sed和Awk是本文兩個最有用的命令。爲了簡潔，我不會討論那些使人費解的細節。相反，我會討論各類各樣的命令來證實他們使人印象深入的實力。若是你想了解的更多，這本書就能夠。

SED

在內核中sed是一個流編輯器。它擅長替換，可是也能夠用來重構。

最基本的sed命令包含了s/old/new/g。也就是全局搜索舊值，替換新值。沒有/g 咱們的命令可能在第一次出現舊值就會終止。

爲了儘快瞭解它的能力，咱們來看一個例子。在這個狀況你會拿到下面的文件：

  1. balance,name 
  2. $1,000,john 
  3. $2,000,jack 

咱們要作的第一件事就是移除美圓符。-i 標識表示就地修改。''就是表明一個零長度文件擴展，所以重寫咱們的初始文件。理想狀況下，你會單獨測試這些並輸出到一個新文件。

  1. sed -i '' 's/\$//g' data.txt 
  2.  
  3. # balance,name 
  4. # 1,000,john 
  5. # 2,000,jack 

下一步，咱們的balance列的逗號。

  1. sed -i '' 's/\([0-9]\),\([0-9]\)/\1\2/g' data.txt 
  2.  
  3. # balance,name 
  4. # 1000,john 
  5. # 2000,jack 

最終，Jack有一天起來並準備辭職了。因此，再見吧，個人朋友。

  1. sed -i '' '/jack/d' data.txt 
  2.  
  3. # balance,name 
  4. # 1000,john 

就像你所看到的，sed功能強大，可是樂趣不止於此。

AWK

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

awk包含的經常使用案例：

  • 文本處理
  • 格式化文本報告
  • 執行計算操做
  • 執行字符串操做

Awk在其最初雛形能夠與grep平行。

  1. awk '/word/' filename.csv 

或者多使用一點魔法，讓grep和cut結合。在這，awk對全部行經過word打印了以tab分隔的第三和第四列。-F，只是將分隔符變爲逗號。

  1. awk -F, '/word/ { print $3 "\t" $4 }' filename.csv 

Awk具備大量有用的內置變量。例如， NF -字段數 - 和NR - 記錄數。爲了獲取文件中這53個記錄：

  1. awk -F, 'NR == 53' filename.csv 

添加一個小竅門能夠基於一個值或者多個值過濾。下面的第一個例子，會打印這些記錄中第一列爲string的行數和列。

  1. awk -F, ' $1 == "string" { print NR, $0 } ' filename.csv  
  2. # Filter based off of numerical value in second column  
  3. awk -F, ' $2 == 1000 { print NR, $0 } ' filename.csv 

多數值表達式：

  1. # Print line number and columns where column three greater 
  2. # than 2005 and column five less than one thousand 
  3.  
  4. awk -F, ' $3 >= 2005 && $5 <= 1000 { print NR, $0 } ' filename.csv 

計算第三列之和：

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

計算那些第一列值爲「something」的第三列之和。

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

獲取文件的行數列數：

  1. awk -F, 'END { print NF, NR }' filename.csv  
  2. # Prettier version  
  3. awk -F, 'BEGIN { print "COLUMNS", "ROWS" }; END { print NF, NR }' filename.csv 

打印出現過兩次的行：

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

移除多行：

  1. # Consecutive lines 
  2. awk 'a !~ $0; {a=$0}'] 
  3.  
  4. # Nonconsecutive lines 
  5. awk '! a[$0]++' filename.csv 
  6.  
  7. # More efficient 
  8. awk '!($0 in a) {a[$0];print} 

使用內置函數gsub()替換多個值。

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

這個awk命令合併了多個CSV文件，忽略頭並在結尾追加。

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

須要精簡一個大文件?好的，awk能夠在sed的幫助下完成這件事。具體來講，基於一個行數，這個命令將一個大文件分爲多個小文件。這個一行文件也會添加一個擴展名。

  1. sed '1d;$d' filename.csv | awk 'NR%NUMBER_OF_LINES==1{x="filename-"++i".csv";}{print > x}'  
  2. # Example: splitting big_data.csv into data_(n).csv every 100,000 lines  
  3. sed '1d;$d' big_data.csv | awk 'NR%100000==1{x="data_"++i".csv";}{print > x}' 

結束前

命令行擁有無窮的力量。本文所涵蓋的命令行知識足以讓你從零基礎到入門。除了這些已涉及的內容外，針對平常數據操做還有須要可考慮的實用程序。Csvkit, xsv和q是其中三個值得關注的。若是你但願進一步深刻到命令行的數據科學領域，那麼請看此書。它也能夠在此免費得到!

相關文章
相關標籤/搜索
每日一句
    每一个你不满意的现在，都有一个你没有努力的曾经。
本站公眾號
   歡迎關注本站公眾號,獲取更多信息
聯繫我們 最近搜索 最新文章 沪ICP备13005482号-10 MyBatis教程 SQL 教程 MySQL教程 Java 教程 Thymeleaf 教程 Hibernate教程 Spring教程 Redis教程