数据科学家的命令行技巧 Hadoop

SRE实战 互联网时代守护先锋，助力企业售后服务体系运筹帷幄！一键直达领取阿里云限量特价优惠。

对于许多数据科学家来说，数据操作起始于Pandas或Tidyverse。从理论上看，这个概念没有错。毕竟，这是为什么这些工具首先存在的原因。然而，对于分隔符转换等简单任务来说，这些选项通常可能是过于重量级了。

有意掌握命令行应该在每个开发人员的技能链上，特别是数据科学家。学习shell中的来龙去脉无可否认地会让你更高效。除此之外，命令行还在计算方面有一次伟大的历史记录。例如，awk - 一种数据驱动的脚本语言。Awk首次出现于1977年，它是在传奇的K&R一书中的K，Brian Kernighan的帮助下出现的。在今天，大约50年之后，awk仍然与每年出现的新书保持相关联! 因此，可以肯定的是，对命令行技术的投入不会很快贬值的。

如果你想了解大数据的学习路线，想学习大数据知识以及需要免费的学习资料可以加群：784789432.欢迎你的加入。每天下午三点开直播分享基础知识，晚上20:00都会开直播给大家分享大数据项目实战。

 

我们会谈及的内容

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

文件编码总是棘手的问题。目前大部分文件都是采用的 UTF-8 编码。要想了解 UTF-8 的魔力，可以看看这个优秀的视频。尽管如此，有时候我们还是会收到非 UTF-8 编码的文件。这种情况下就需要尝试转码。iconv 就是这种状况下的救世主。iconv 是一个简单的程序，可以输入某种编码的文本，然后以另一种编码输出。

  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 

常用选项：

  • iconv -l 列出所有支持的编码
  • iconv -c 不作提示就丢弃无法转换的字符

HEAD

如果你是重度Pandas的用户，那么你会对head很熟悉。通常在处理新数据时，我们想要做的第一件事就是了解究竟存在那些东西。这会引起Panda启动，读取数据，然后调用df.head() - 很费劲，至少可以说。head，不需要任何标志，将输出文件的前10行。head真正的能力在于彻查清除操作。 例如，如果我们想将文件的分隔符从逗号改变为pipe通配符。一个快速测试将是：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 

有用的选项:

  • head -n 输出指定行
  • head -c 输出指定的字节

TR命令

Tr类似于翻译，它是基于文件清理的一个强大使用的工具。一个理想的用法是替换文件中的分隔符。

  1. #将文件中的制表符分割转换成逗号 
  2. cat tab_delimited.txt | tr "\t" "," comma_delimited.csv 

Tr的另一个特性是在你的处理中设置上所有的[:class:]变量。包括：

  1. [:alnum:] 所有字母和数字 
  2. [:alpha:] 所有字母 
  3. [:blank:] 所有水平空白 
  4. [:cntrl:] 所有控制字符 
  5. [:digit:] 所有数字 
  6. [:graph:] 所有可打印的字符，不包括空格 
  7. [:lower:] 全部小写字母 
  8. [:print:] 所有可打印的字符，包括空格 
  9. [:punct:] 所有标点符号 
  10. [:space:] 所有的水平或垂直空格 
  11. [:upper:] 全部大写字母 
  12. [:xdigit:] 所有十六进制数字 

可以将这些多样化的变量链接在一起，组成一个强大的程序。下面是一个基于字数统计的程序，用来检查你的README文件是否使用过度。

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

另外一个例子用于正则表达式

  1. # 将所有的大写字母转换成小写 
  2. cat filename.csv | tr '[A-Z]' '[a-z]' 

有用的选项：

  • tr -d删除字符
  • tr -s压缩字符
  • \b退格
  • \f换页
  • \v垂直选项卡
  • \NNN八进制值为NNN的字符

WC

字数统计。它的价值主要体现在使用 -l 参数可以进行行数统计。

  1. # Will return number of lines in CSV  
  2. wc -l gigantic_comma.csv 

个用这个工具来验证各个命令的输出实在方便。因此，如果我们要在文件中转换分隔符，然后运行 wc -l，验证总行数是相同的。如果不同，我们就知道一定是哪里出错了。

常用选项：

  • wc -c 打印字节数
  • wc -m 打印字符数
  • wc -L 打印最长一行的长度
  • wc -w 打印字数

SPLIT命令

文件大小可以有显著变化。根据工作的不同，拆分文件是有益的，就像split。基本用法如下：

  1. #我们拆分这个CSV文件，每500行分割为一个新的文件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 

两个地方很奇怪：一个是命名方式，一个是缺少扩展名。后缀约定可以通过-d标识来数字化。添加文件扩展名，你需要执行下面这个find命令。他会给当前文件夹下的所有文件追加.csv后缀，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 

有效的选项：

  • split -b按特定字节大小拆分
  • 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

前面的命令是显而易见的：他们按照自己说的做。这两者提供了最重要的一击(即去重单词计数)。这是由于有uniq，它只处理重复的相邻行。因此在管道输出之前进行排序。一个有趣的事情是，sort -u将获得与sort file.txt | uniq相同的结果。

Sort确实对数据科学家来说是一种很有用的小技巧：能够根据特定的列对整个CSV进行排序。

  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 

这里的-t选项是指定逗号作为分隔符。通常假设是空格或制表符。此外，-k标志是用来指定我们的键的。它的语法是-km,n，m是起始字段，n是最后一个字段。

有用的选项:

  • sort -f 忽略大小写
  • sort -r 逆序
  • sort -R 乱序
  • uniq -c 计算出现次数
  • uniq -d 只打印重复行

CUT命令

cut用于删除列。举个栗子，如果我们只想要第一列和第三列。

  1. cut -d, -f 1,3 filename.csv 

选择除了第一列以外的所有列

  1. cut -d, -f 2- filename.csv 

与其他的命令组合使用，cut命令作为过滤器

  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 

找出第二列中唯一值的数量。

  1. cat filename.csv | cut -d, -f 2 | sort | uniq | wc -l  
  2. # 计算唯一值出现的次数，限制输出前10个结果  
  3. cat filename.csv | cut -d, -f 2 | sort | uniq -c | head 

PASTE

paste 是个有趣的小命令。如果你想合并两个文件，而这两个文件的内容又正好是有序的，那 paste 就可以这样做。

  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 

关于更多 SQL_-esque 变体，请看下面。

JOIN

Join是一种简单的、准切向的SQL。最大的区别在于Join将返回所有列，匹配可能只发生在一个字段上。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，需要以下语法：

  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 

标准连接是一个内部连接。然而，外部连接也可以通过-af滞后来实现。另一个值得注意的是-e标志，如果发现有字段丢失，它可以用来替换成其他值。

  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 

虽然它不是最容易使用的命令，但是在绝望的时刻，它就是唯一可用的措施。

常用的选项:

  • join -a 打印未成对的行
  • join -e 替换缺失字段
  • join -j 等同于 -1 FIELD -2 FIELD

GREP

全局搜索正则表达式并输出，或使用grep;可能是最知名的命令，并且有很好的理由。 Grep具有很强的能力，特别是在大型代码库中查找方法。在数据科学领域，它充当了其他命令的改进机制。但其标准用法也很有用。

  1. # 递归搜索并列出当前目录下包含'word'的所有文件 
  2. grep -lr 'word' . 
  3.  
  4. # 列出包含word的文件数目 
  5. grep -lr 'word' . | wc -l 

对包含word/pattern的行数进行计数

  1. grep -c 'some_value' filename.csv  
  2. # 同样的功能，但是按照文件名列出当前目录下所有包含该关键词的文件  
  3. grep -c 'some_value' * 

Grep使用or运算符- \|来检索多个值.

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

有用的选项

  • alias grep="grep --color=auto" 使grep支持彩色输出
  • grep -E 使用扩展正则表达式
  • grep -w 仅匹配完整单词
  • grep -l 打印匹配文件的名称
  • grep -v 倒序匹配

大杀器

Sed和Awk是本文两个最有用的命令。为了简洁，我不会讨论那些令人费解的细节。相反，我会讨论各种各样的命令来证明他们令人印象深刻的实力。如果你想了解的更多，这本书就可以。

SED

在内核中sed是一个流编辑器。它擅长替换，但是也可以用来重构。

最基本的sed命令包含了s/old/new/g。也就是全局搜索旧值，替换新值。没有/g 我们的命令可能在第一次出现旧值就会终止。

为了尽快了解它的能力，我们来看一个例子。在这个情况你会拿到下面的文件：

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

我们要做的第一件事就是移除美元符。-i 标识表示就地修改。''就是代表一个零长度文件扩展，因此重写我们的初始文件。理想情况下，你会单独测试这些并输出到一个新文件。

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

下一步，我们的balance列的逗号。

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

最终，Jack有一天起来并准备辞职了。所以，再见吧，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功能强大，但是乐趣不止于此。

AWK

最好的放最后。Awk不仅是一个简单的命令：它是一个成熟的语言。在本文中包含的每一个命令中，awk目前是最酷的。如果你发现它令你印象深刻，这有大量的资源- 看这，这，和这。

awk包含的常用案例：

  • 文本处理
  • 格式化文本报告
  • 执行计算操作
  • 执行字符串操作

Awk在其最初雏形可以与grep平行。

  1. awk '/word/' filename.csv 

或者多使用一点魔法，让grep和cut结合。在这，awk对所有行通过word打印了以tab分隔的第三和第四列。-F，只是将分隔符变为逗号。

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

Awk具有大量有用的内置变量。例如， NF -字段数 - 和NR - 记录数。为了获取文件中这53个记录：

  1. awk -F, 'NR == 53' filename.csv 

添加一个小窍门可以基于一个值或者多个值过滤。下面的第一个例子，会打印这些记录中第一列为string的行数和列。

  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 

多数值表达式：

  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 

计算第三列之和：

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

计算那些第一列值为“something”的第三列之和。

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

获取文件的行数列数：

  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 

打印出现过两次的行：

  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} 

使用内置函数gsub()替换多个值。

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

这个awk命令合并了多个CSV文件，忽略头并在结尾追加。

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

需要精简一个大文件?好的，awk可以在sed的帮助下完成这件事。具体来说，基于一个行数，这个命令将一个大文件分为多个小文件。这个一行文件也会添加一个扩展名。

  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}' 

结束前

命令行拥有无穷的力量。本文所涵盖的命令行知识足以让你从零基础到入门。除了这些已涉及的内容外，针对日常数据操作还有需要可考虑的实用程序。Csvkit, xsv和q是其中三个值得关注的。如果你希望进一步深入到命令行的数据科学领域，那么请看此书。它也可以在此免费获得!

扫码关注我们
微信号：SRE实战
拒绝背锅 运筹帷幄