數據科學家的命令行技巧

来源:https://www.cnblogs.com/xuexiqun784789432/archive/2018/07/29/9385606.html
-Advertisement-
Play Games

對於許多數據科學家來說，數據操作起始於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。 有意掌握命令行應該在每個開發人員的技能鏈上，特別是數據科學家。學習shell中的來龍去脈無 ...


 

 

數據科學家的命令行技巧

對於許多數據科學家來說，數據操作起始於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。

有意掌握命令行應該在每個開發人員的技能鏈上，特別是數據科學家。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，對命令行技術的投入不會很快貶值的。

如果你想瞭解大數據的學習路線，想學習大數據知識以及需要免費的學習資料可以加群：784789432.歡迎你的加入。每天下午三點開直播分享基礎知識，晚上20:00都會開直播給大家分享大數據項目實戰。

 

我們會談及的內容

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

文件編碼總是棘手的問題。目前大部分文件都是採用的 UTF-8 編碼。要想瞭解 UTF-8 的魔力，可以看看這個優秀的視頻。儘管如此，有時候我們還是會收到非 UTF-8 編碼的文件。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本，然後以另一種編碼輸出。

  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 

常用選項：

  • iconv -l 列出所有支持的編碼
  • iconv -c 不作提示就丟棄無法轉換的字元

HEAD

如果你是重度Pandas的用戶，那麼你會對head很熟悉。通常在處理新數據時，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，讀取數據，然後調用df.head() - 很費勁，至少可以說。head，不需要任何標誌，將輸出文件的前10行。head真正的能力在於徹查清除操作。 例如，如果我們想將文件的分隔符從逗號改變為pipe通配符。一個快速測試將是：head mydata.csv | sed 's/,/|/g'

  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:

  • 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的另一個特性是在你的處理中設置上所有的[:class:]變數。包括：

  1. [:alnum:] 所有字母和數字 
  2. [:alpha:] 所有字母 
  3. [:blank:] 所有水平空白 
  4. [:cntrl:] 所有控制字元 
  5. [:digit:] 所有數字 
  6. [:graph:] 所有可列印的字元，不包括空格 
  7. [:lower:] 全部小寫字母 
  8. [:print:] 所有可列印的字元，包括空格 
  9. [:punct:] 所有標點符號 
  10. [:space:] 所有的水平或垂直空格 
  11. [:upper:] 全部大寫字母 
  12. [:xdigit:] 所有十六進位數字 

可以將這些多樣化的變數鏈接在一起，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文件是否使用過度。

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

另外一個例子用於正則表達式

  1. # 將所有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刪除字元
  • tr -s壓縮字元
  • \b退格
  • \f換頁
  • \v垂直選項卡
  • \NNN八進位值為NNN的字元

WC

字數統計。它的價值主要體現在使用 -l 參數可以進行行數統計。

  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。因此，如果我們要在文件中轉換分隔符，然後運行 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

文件大小可以有顯著變化。根據工作的不同，拆分文件是有益的，就像split。基本用法如下：

  1. #我們拆分這個CSV文件，每500行分割為一個新的文件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，一個是缺少擴展名。尾碼約定可以通過-d標識來數字化。添加文件擴展名，你需要執行下麵這個find命令。他會給當前文件夾下的所有文件追加.csv尾碼，所以需要小心使用。

  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按特定位元組大小拆分
  • split -a生成長度為N的尾碼
  • split -x使用十六進位尾碼分割

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確實對數據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。

  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 只列印重覆行

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。

  1. cut -d, -f 1,3 filename.csv 

選擇除了第一列以外的所有列

  1. cut -d, -f 2- filename.csv 

與其他的命令組合使用，cut命令作為過濾器

  1. #列印存在“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 

找出第二列中唯一值的數量。

  1. cat filename.csv | cut -d, -f 2 | sort | uniq | wc -l  
  2. # 計算唯一值出現的次數，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。如果你想合併兩個文件，而這兩個文件的內容又正好是有序的，那 paste 就可以這樣做。

  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，請看下麵。

JOIN

Join是一種簡單的、準切向的SQL。最大的區別在於Join將返回所有列，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：

  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 

標準連接是一個內部連接。然而，外部連接也可以通過-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。

  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，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

全局搜索正則表達式並輸出，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，特別是在大型代碼庫中查找方法。在數據科學領域，它充當了其他命令的改進機制。但其標準用法也很有用。

  1. # 遞歸搜索併列出當前目錄下包含'word'的所有文件 
  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. # 同樣的功能，但是按照文件名列出當前目錄下所有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 列印匹配文件的名稱
  • grep -v 倒序匹配

大殺器

Sed和Awk是本文兩個最有用的命令。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

在內核中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。也就是全局搜索舊值，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文件：

  1. balance,name 
  2. $1,000,john 
  3. $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文件擴展，因此重寫我們的初始文件。理想情況下，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，我們的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。所以，再見吧，我的朋友。

  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，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：

  • 文本處理
  • 格式化文本報告
  • 執行計算操作
  • 執行字元串操作

Awk在其最初雛形可以與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對所有行通過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。

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

Awk具有大量有用的內置變數。例如， NF -欄位數 - 和NR - 記錄數。為了獲取文件中這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。

  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 

計算那些第一列值為“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 

列印出現過兩次的行：

  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，忽略頭併在結尾追加。

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

需要精簡一個大文件?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，這個命令將一個大文件分為多個小文件。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，針對日常數據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行的數據科學領域，那麼請看此書。它也可以在此免費獲得!


您的分享是我們最大的動力!

-Advertisement-
Play Games
更多相關文章
  • centos 配置yum源
    1、yum配置 yum的配置文件在 /etc/yum.conf $releasever 當前系統的發行版本，$basearch CPU體系，使用命令 arch 查看 2、配置yum源 yum源文件在 /etc/yum.repos.d/ 中 看到 .repo 結尾的文件都是yum文件，其中，CentO ...
  • 【Linux】磁碟的分區與命名規則
    1,Startx:切換到圖形界面 2,Pwd:查看當前目錄 3,Whoami:查看當前用戶 4,Cd: 1. 命令格式： cd [目錄名] 2. 命令功能： 切換當前目錄至dirName 3. 常用範例 3.1 例一：進入系統根目錄 命令： 輸出： 說明：進入系統根目錄,上面命令執行完後拿ls命令看 ...
  • SqlServer註意事項總結，高級程式員必背。
    本篇文章主要介紹SqlServer使用時的註意事項。 想成為一個高級程式員，資料庫的使用是必須要會的。而資料庫的使用純熟程度，也側面反映了一個開放的水平。 下麵介紹SqlServer在使用和設計的過程中需要註意的事項。 SqlServer註意事項 Sql事務啟動語句 開始事務：BEGIN TRANS ...
  • 【詳記MySql問題大全集】四、設置MySql大小寫敏感（踩坑血淚史）
    系列目錄 一、安裝MySql 二、安裝並破解Navicat 三、沒有my.in配置文件怎麼辦 四、設置MySql的大小寫敏感 五、重置MySql登陸密碼 這一篇可以說是我的踩坑的血淚史了。。。 MySql在Windows下預設是大小寫不敏感的，當表名中有大寫字母的時候，MySql會直接把它轉化成小寫 ...
  • sharding(1)：誰都能讀懂的分庫、分表、分區
    本文通過大量圖片來分析和描述分庫、分表以及資料庫分區是怎樣進行的。 1.sharding前的初始數據分佈 在本文中，我打算用高考考生相關信息作為實驗數據。請無視表的欄位是否符合現實，也請無視表的設計是否符合範式。 3張表： 考生表，存放全國所有高考考生信息，假設34個省、(直轄)市、(自治區、特別行 ...
  • 通用分頁存儲過程
    if exists(select * from sys.objects where name='存儲過程名稱')drop proc 存儲過程名稱goCREATE proc 存儲過程名稱@tableName varchar(8000), --表名、視圖名@indexCol varchar(50) = ...
  • 關於mysqldump備份非事務表的註意事項
    占座 ...
  • sqlserver 跨伺服器備份表
    exec sp_configure 'show advanced options',1 reconfigure exec sp_configure 'Ad Hoc Distributed Queries',1 reconfigure SELECT * into T_System_Organizati ...
一周排行
    -Advertisement-
    Play Games
  • C# + WPF 音頻播放器 界面優雅，體驗良好
    前言 本文介紹一款使用 C# 與 WPF 開發的音頻播放器，其界面簡潔大方，操作體驗流暢。該播放器支持多種音頻格式（如 MP4、WMA、OGG、FLAC 等），並具備標記、實時歌詞顯示等功能。 另外，還支持換膚及多語言（中英文）切換。核心音頻處理採用 FFmpeg 組件，獲得了廣泛認可，目前 Git ...
  • OAuth2.0授權-gitee授權碼模式
    OAuth2.0授權驗證-gitee授權碼模式 本文主要介紹如何筆者自己是如何使用gitee提供的OAuth2.0協議完成授權驗證並登錄到自己的系統，完整模式如圖 1、創建應用 打開gitee個人中心->第三方應用->創建應用 創建應用後在我的應用界面，查看已創建應用的Client ID和Clien ...
  • FastReport.OpenSource .Net下開源免費報表列印組件
    解決了這個問題：《winForm下，fastReport.net 從.net framework 升級到.net5遇到的錯誤“Operation is not supported on this platform.”》 本文內容轉載自：https://www.fcnsoft.com/Home/Sho ...
  • 如何在 ASP.NET Core Web API 方法執行前後 “偷偷“ 作一些 “壞“ 事？初識 ActionFilterAttribute
    國內文章 WPF 從裸 Win 32 的 WM_Pointer 消息獲取觸摸點繪製筆跡 https://www.cnblogs.com/lindexi/p/18390983 本文將告訴大家如何在 WPF 裡面，接收裸 Win 32 的 WM_Pointer 消息，從消息裡面獲取觸摸點信息，使用觸摸點 ...
  • 在 ASP.NET Core Web API 中使用異常篩選器捕獲和統一處理異常
    前言 給大家推薦一個專為新零售快消行業打造了一套高效的進銷存管理系統。 系統不僅具備強大的庫存管理功能，還集成了高性能的輕量級 POS 解決方案，確保頁面載入速度極快，提供良好的用戶體驗。 項目介紹 Dorisoy.POS 是一款基於 .NET 7 和 Angular 4 開發的新零售快消進銷存管理 ...
  • AbpHelper CLI積累與實戰分享
    ABP CLI常用的代碼分享 一、確保環境配置正確 安裝.NET CLI： ABP CLI是基於.NET Core或.NET 5/6/7等更高版本構建的，因此首先需要在你的開發環境中安裝.NET CLI。這可以通過訪問Microsoft官網下載並安裝相應版本的.NET SDK來實現。 安裝ABP ...
  • 記一次HttpClient使用問題分析
    問題 問題是這樣的：第三方的webapi，需要先調用登陸介面獲取Cookie，訪問其它介面時攜帶Cookie信息。 但使用HttpClient類調用登陸介面，返回的Headers中沒有找到Cookie信息。 分析 首先，使用Postman測試該登陸介面，正常返回Cookie信息，說明是HttpCli ...
  • .NET周刊【9月第3期 2024-09-15】
    國內文章 關於.NET在中國為什麼工資低的分析 https://www.cnblogs.com/thinkingmore/p/18406244 .NET在中國開發者的薪資偏低，主要因市場需求、技術棧選擇和企業文化等因素所致。歷史上，.NET曾因微軟的閉源策略發展受限，儘管後來推出了跨平臺的.NET ...
  • 我的網站集成ElasticSearch初體驗
    在WPF開發應用中，動畫不僅可以引起用戶的註意與興趣，而且還使軟體更加便於使用。前面幾篇文章講解了畫筆（Brush），形狀（Shape），幾何圖形（Geometry），變換（Transform）等相關內容，今天繼續講解動畫相關內容和知識點，僅供學習分享使用，如有不足之處，還請指正。 ...
  • 第23篇 委托的概述
    什麼是委托？ 委托可以說是把一個方法代入另一個方法執行，相當於指向函數的指針；事件就相當於保存委托的數組； 1.實例化委托的方式： 方式1：通過new創建實例： public delegate void ShowDelegate(); 或者 public delegate string ShowDe ...
所有分類