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***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。
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。
- # Converting -f (from) latin1 (ISO-8859-1)
- # -t (to) standard UTF_8
- iconv -f ISO-8859-1 -t UTF-8 < input.txt > output.txt
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。
- # Prints out first 10 lines
- head filename.csv
- # Print first 3 lines
- head -n 3 filename.csv
可选参数：
- head -n <数字> 打印特定数目的行数
- head -c <字符数> 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：
- # Converting a tab delimited file into commas
- cat tab_delimited.txt | tr "\\t" "," comma_delimited.csv
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。
- cat README.md | tr "[:punct:][:space:]" "\n" | tr "[:upper:]" "[:lower:]" | grep . | sort | uniq -c | sort -nr
使用基本正则表达式的另一个例子是：
- # Converting all upper case letters to lower case
- cat filename.csv | tr '[A-Z]' '[a-z]'
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。
- # Will return number of lines in CSV
- wc -l gigantic_comma.csv
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：
- # We will split our CSV into new_filename every 500 lines
- split -l 500 filename.csv new_filename_
- # filename.csv
- # ls output
- # new_filename_aaa
- # new_filename_aab
- # new_filename_aac
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。
- find . -type f -exec mv '{}' '{}'.csv \;
- # ls output
- # filename.csv.csv
- # new_filename_aaa.csv
- # new_filename_aab.csv
- # new_filename_aac.csv
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。
- # Sorting a CSV file by the second column alphabetically
- sort -t, -k2 filename.csv
- # Numerically
- sort -t, -k2n filename.csv
- # Reverse order
- sort -t, -k2nr filename.csv
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***列和第三列，可以使用 cut：
- cut -d, -f 1,3 filename.csv
选择除了***列之外的每一列：
- cut -d, -f 2- filename.csv
与其他命令结合使用的时候，cut 作为一个过滤器：
- # Print first 10 lines of column 1 and 3, where "some_string_value" is present
- head filename.csv | grep "some_string_value" | cut -d, -f 1,3
找到第二列中某个特定值出现的次数：
- cat filename.csv | cut -d, -f 2 | sort | uniq | wc -l
- # Count occurences of unique values, limiting to first 10 results
- cat filename.csv | cut -d, -f 2 | sort | uniq -c | head
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。
- # names.txt
- adam
- john
- zach
- # jobs.txt
- lawyer
- youtuber
- developer
- # Join the two into a CSV
- paste -d ',' names.txt jobs.txt > person_data.txt
- # Output
- adam,lawyer
- john,youtuber
- zach,developer
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。***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***列作为匹配键。对于不同的结果，必须使用以下语法:
- # Join the first file (-1) by the second column
- # and the second file (-2) by the first
- join -t, -1 2 -2 1 first_file.txt second_file.txt
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。
- # Outer join, replace blanks with NULL in columns 1 and 2
- # -o which fields to substitute - 0 is key, 1.1 is first column, etc...
- join -t, -1 2 -a 1 -a2 -e ' NULL' -o '0,1.1,2.2' first_file.txt second_file.txt
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。
- # Recursively search and list all files in directory containing 'word'
- grep -lr 'word' .
- # List number of files containing word
- grep -lr 'word' . | wc -l
统计包含单词/模式的总行数
- grep -c 'some_value' filename.csv
- # Same thing, but in all files in current directory by file name
- grep -c 'some_value' *
使用\|运算子进行多值操作
- grep "first_value\|second_value" filename.csv
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***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:
- balance,name
- $1,000,john
- $2,000,jack
我们想做的***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。
- sed -i '' 's/\$//g' data.txt
- # balance,name
- # 1,000,john
- # 2,000,jack
接下来，我们处理 balance 中的逗号
- sed -i '' 's/\([0-9]\),\([0-9]\)/\1\2/g' data.txt
- # balance,name
- # 1000,john
- # 2000,jack
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
***版的 awk 可以与 grep 并行使用。
- awk '/word/' filename.csv
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 -F, '/word/ { print $3 "\t" $4 }' filename.csv
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:
- awk -F, 'NR == 53' filename.csv
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***个示例将打印***列等于 string 记录的行数和列数。
- awk -F, ' $1 == "string" { print NR, $0 } ' filename.csv
- # Filter based off of numerical value in second column
- awk -F, ' $2 == 1000 { print NR, $0 } ' filename.csv
多数值表达式：
- # Print line number and columns where column three greater
- # than 2005 and column five less than one thousand
- awk -F, ' $3 >= 2005 && $5 <= 1000 { print NR, $0 } ' filename.csv
对第三列求和：
- awk -F, '{ x+=$3 } END { print x }' filename.csv
对***列等于『something』的所有行，对它们的第三列求和。
- awk -F, '$1 == "something" { x+=$3 } END { print x }' filename.csv
得到文件的维度：
- awk -F, 'END { print NF, NR }' filename.csv
- # Prettier version
- awk -F, 'BEGIN { print "COLUMNS", "ROWS" }; END { print NF, NR }' filename.csv
打印出现两次的行：
- awk -F, '++seen[$0] == 2' filename.csv
删除重复的行：
- # Consecutive lines
- awk 'a !~ $0; {a=$0}']
- # Nonconsecutive lines
- awk '! a[$0]++' filename.csv
- # More efficient
- awk '!($0 in a) {a[$0];print}
使用内置函数 gsub() 替换多值：
- awk '{gsub(/scarlet|ruby|puce/, "red"); print}'
这个 awk 命令将合并多个 CSV 文件，忽略文件头，然后将其附加到末尾。
- awk 'FNR==1 && NR!=1{next;}{print}' *.csv > final_file.csv
需要缩减大量文件?awk 可以在 sed 的帮助下处理这个问题。具体而言，这个命令可以基于行数将 一个大文件拆分为多个小文件。
- sed '1d;$d' filename.csv | awk 'NR%NUMBER_OF_LINES==1{x="filename-"++i".csv";}{print > x}'
- # Example: splitting big_data.csv into data_(n).csv every 100,000 lines
- sed '1d;$d' big_data.csv | awk 'NR%100000==1{x="data_"++i".csv";}{print > x}'
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。
原文链接：
https://medium.com/@kadek/command-line-tricks-for-data-scientists-c98e0abe5da
【本文是51CTO专栏机构“机器之心”的原创译文，微信公众号“机器之心( id: almosthuman2014)”】
