简单快捷的数据处理，数据科学需要注意的命令行

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。

------------------------------------------------