常用统计分析 SQL 在 AWK 中的实现

用户1177713

发布于 2018-02-24 12:21:31

1.6K0

发布于 2018-02-24 12:21:31

文章被收录于专栏：数据之美

最近有需求需要本地处理一些临时的数据，用做统计分析。如果单纯的 MYSQL 也能实现，不过一堆临时数据这样从 mysql 导来导去还是挺麻烦的，比较理想的选择是本机装个 cygwin 环境，然后可以用 awk 等 shell 工具做即时处理。

本文主要讲述如何在 awk 中实现 SQL 的常用操作，当做个简单的 awk 入门分享。虽然文中部分 awk 会有其它更简洁高效的 shell 命令去完成，亦或是其它语言去完成，但这都不在本文的讨论范畴。

注：本文所用到的两个测试文件 user、consumer，分别模拟两张 SQL 表：

user 表，字段： id name addr 1 zhangsan hubei 3 lisi tianjin 4 wangmazi guangzhou 2 wangwu beijing consumer 表，字段： id cost date 1 15 20121213 2 20 20121213 3 100 20121213 4 99 20121213 1 25 20121114 2 108 20121114 3 100 20121114 4 66 20121114 1 15 20121213 1 115 20121114 测试环境： OS 版本： uname -a CYGWIN_NT-6.1 june-PC 1.7.9(0.237/5/3) 2011-03-29 10:10 i686 Cygwin awk 版本： awk --version GNU Awk 3.1.8

1、查询整张表记录，where 条件过滤，关键词：where

select * from user; 
awk 1 user;
select * from consumer where cost > 100;
awk '$2>100' consumer

2、对某个字段去重，或者按记录去重，关键词：distinct

select distinct(date) from consumer;
awk '!a[$3]++{print $3}' consumer
select distinct(*) from consumer;
awk '!a[$0]++' consumer

3、记录按序输出，关键词：order by

select id from user order by id;
awk '{a[$1]}END{asorti(a);for(i=1;i<=length(a);i++){print a[i]}}' user

4、取前多少条记录，关键词：limit

select * from consumer limit 2;
awk 'NR<=2' consumer
awk 'NR>2{exit}1' consumer # performance is better

5、分组求和统计，关键词：group by、having、sum、count

select id, count(1), sum(cost) from consumer group by id having count(1) > 2;
awk '{a[$1]=a[$1]==""?$2:a[$1]","$2}END{for(i in a){c=split(a[i],b,",");if(c>2){sum=0;for(j in b){sum+=b[j]};print i"\t"c"\t"sum}}}' consumer

6、模糊查询，关键词：like（like属于通配，也可正则 REGEXP）

select name from user where name like 'wang%';
awk '$2 ~/^wang/{print $2}' user
select addr from user where addr like '%bei';
awk '/.*bei$/{print $3}' user
select addr from user where addr like '%bei%';
awk '$3 ~/bei/{print $3}' user

7、多表 join 关联查询，关键词：join

select a.* , b.* from user a inner join consumer b  on a.id = b.id and b.id = 2;
awk 'ARGIND==1{a[$1]=$0;next}{if(($1 in a)&&$1==2){print a[$1]"\t"$2"\t"$3}}' user consumer

8、多表水平联接，关键词：union all

select a.* from user a union all select b.* from user b;
awk 1 user user
select a.* from user a union select b.* from user b;
awk '!a[$0]++' user user

9、随机抽样统计，关键词：order by rand()

SELECT * FROM consumer ORDER BY RAND() LIMIT 2;
awk 'BEGIN{srand();while(i<2){k=int(rand()*10)+1;if(!(k in a)){a[k];i++}}}(NR in a)' consumer

10、行列转换，关键词：SUM(IF())、WITH ROLLUP

mysql 写法：http://my.oschina.net/leejun2005/blog/77796 awk 写法：http://hi.baidu.com/leejun_2005/item/2bac30c2b97e5e56ad00ef86

11、awk 小应用之 RTX 订餐统计：

1、功能：统计 rtx 聊天记录中的订餐信息，包括且限于：菜名、人员姓名、人数 2、支持的功能：订餐、取消、修改 3、格式：订餐：“+1 空格菜名”，如： “+1 鸡腿” // 不含双引号取消：“-1” 即可，如： “-1” // 不含双引号修改：格式同订餐一样，会自动根据姓名覆盖 4、使用限制与注意事项：（1）必须严格遵守格式，否则会统计错误，例如：菜名和+1-1之间要空格分隔，且必须 -1+1 开头（2）如果一人代订多人，需要复制格式，修改姓名，然后发布多条信息，格式： //代订 // 这一行一定要带上，不能以 +-( 字符开头 (userName) //要以 ( 打头，如果你自己点多份，请在名字后面带上数字序号，如 userName1 +1 菜名暂不支持直接 “+2 菜名” 这种形式，因为最后需要按姓名汇总（3）此 awk 脚本需要在 4.0 版本以上运行，因为 4.0 以下的 HashMap 不支持中文 key。测试用例： echo " user(统计测试) 18:30:52 对吧 user(统计测试) 18:30:55 下单了，嗯 user(张三) 18:31:11 +1 西瓜泡方便面 user(统计测试) 18:30:52 对吧 -1 测试 user(统计测试) 18:30:52 // 这是帮人代订的测试，这行一定要，随便写点啥都行 -------------------- 测试代订功能 (代订测试人) +1 豆腐脑-甜的。。。。。。。。。 (代订测试人2) +1 豆腐脑-酸的 user(统计测试) 18:30:55 下单了，嗯 user(李四) 18:31:11 +1 大排 user(李四) 18:31:11 -1 user(统计测试) 18:30:52 对吧 user(统计测试) 18:30:55 下单了，嗯 user(张三) 18:31:11 +1 带鱼 user(王麻子) 18:31:11 +1 大蒜 user(统计测试) 18:30:55 下单了，嗯 user(测试程序) 18:31:11 +1 唐僧肉 user(测试程序1) 18:31:11 +1 带鱼 user(赵六) 18:31:11 +1 大蒜 "|\ awk '/$/{gsub(/.*\(|$.*/,"");name=$0;getline;if(!($0~/^(\+|-)/))next;a[name]=$0}END{for(i in a){split(a[i],b," ");if(b[2]=="")continue;c[b[2]]=c[b[2]]==""?i:c[b[2]]","i};for(i in c){split(c[i],d,",");print i":\t"c[i]"\t"length(d)}}'|column -t 结果：带鱼: 测试程序1,张三 2 唐僧肉: 测试程序 1 大蒜: 赵六,王麻子 2 豆腐脑-酸的: 代订测试人2 1 豆腐脑-甜的: 代订测试人 1

12、查找父ID

echo "1 0
11 1
111 11
1111 111"|awk '{a[$1]=$2;if($2==0){b[$1]=$12}}END{for(i in a){j=i;c=0;while(a[j]!=0){j=a[j];c++};print i"\t"j"\t"c}}'

结果：

id      rootId  level
1111    1       3
111     1       2
11      1       1
1       1       0

关于 id 间父子关系的建立与查找，还可以参考这个例子中的 python 写法：

python 数据结构转换,将线性元祖转换成字典树：

http://segmentfault.com/q/1010000000415526

t = (
    (1, -1, 'python'),
    (2, -1, 'ruby'),
    (3, -1, 'php'),
    (4, -1, 'lisp'),
    (5, 1, 'flask'),
    (6, 1, 'django'),
    (7, 1, 'webpy'),
    (8, 2, 'rails'),
    (9, 3, 'zend'),
    (10, 6, 'dblog')
)
# fid 无序版
from itertools import groupby
from operator import itemgetter as get
from pprint import pprint

# group by fid
tmp = dict([(k, list(rows)) for k, rows in groupby(sorted(t, key=get(1)), get(1))])

def map_fun(row):
  item = dict(zip(('id', 'fid', 'title'), row))
  if row[0] in tmp:
    item['son'] = find_children(row[0])
  return item;

def find_children(parent):
    return map(map_fun, tmp[parent])

pprint(find_children(-1))

t = (
    (1, -1, 'python'),
    (2, -1, 'ruby'),
    (3, -1, 'php'),
    (4, -1, 'lisp'),
    (5, 1, 'flask'),
    (6, 1, 'django'),
    (7, 1, 'webpy'),
    (8, 2, 'rails'),
    (9, 3, 'zend'),
    (10, 6, 'dblog')
)
# fid 有序版
from pprint import pprint

l = []
entries = {}

for id, fid, title in t:
    entries[id] = entry = {'id': id, 'fid': fid, 'title': title}
    if fid == -1:
        l.append(entry)
    else:
        parent = entries[fid]
        parent.setdefault('son', []).append(entry)

pprint(l)

【updating】本文将会不定期更新。。。