九款命令列工具助力Linux環境下的資料分析

要對資料進行分析，大家會從哪裡入手?對於大多數熟悉了圖形工作環境的朋友來說，電子試算表工具無疑是第一選項。但命令列工具同樣能夠更快更高效地解決問題——且只須稍微學習即可上手。

大部分此類工具凍嚴格侷限於Linux，而多數可同樣執行在Unix甚至是Windows環境之下。在今天的文章中，我們將嘗試幾款簡單的開源資料分析工具，並共同瞭解其如何運作。

一、head與tail

首先，讓我們先從檔案處理開始。檔案中有什麼內容?其格式如何?大家可以使用cat命令在終端中顯示檔案，但其顯然不適合處理內容較長的檔案。

輸入head與tail，二者能夠完整顯示檔案中的指定行數內容。如果大家未指定行數，則預設顯示其中10行。

1. $ tail -n 3 jan2017articles.csv  
2. 02 Jan 2017,Article,Scott Nesbitt,3 tips for effectively using wikis for documentation,1,/article/17/1/tips-using-wiki-documentation,"Documentation, Wiki",710  
3. 02 Jan 2017,Article,Jen Wike Huger,The Opensource.com preview for January,0,/article/17/1/editorial-preview-january,,358  
4. 02 Jan 2017,Poll,Jason Baker,What is your open source New Year's resolution?,1,/poll/17/1/what-your-open-source-new-years-resolution,,186 

在最後三行中，我能夠找到日期、作者姓名、標題以及其他一些資訊。不過由於缺少列頭，我不清楚各列的具體含義。下面檢視各列的具體標題：

1. $ head -n 1 jan2017articles.csv  
2. Post date,Content type,Author,Title,Comment count,Path,Tags,Word count 

現在一切都非常明確，我們可以看到發布日期、內容型別、作者、標題、提交次數、相關URL、各文章標籤以及字數。

二、wc

但如果需要分析數百甚至上千篇文章，又該如何處理?這裡就要使用wc命令了——其為“字數”一詞的縮寫。wc能夠對檔案的位元組、字元、單詞或者行數進行計數。在本範例中，我們希望了解文章中的行數。

1. $ wc -l jan2017articles.csv 93 jan2017articles.csv 

本檔案共有93行，考慮到第一行中包含檔案標題，因此可以推測此檔案是一份包含92篇文章的列表。

三、grep

下面提出新的問題：其中有多少篇文章與安全話題有關?為了實現目標，我們假定需要的文章會在標題、標籤或者其他位置提到安全這一字眼。這時，grep工具可用於通過特定字元搜尋檔案或者實現其他搜尋模式。這是一款極為強大的工具，因為我們甚至能夠利用正規表示式建立極為精確的匹配模式。不過這裡，我們只需要尋找一條簡單的字串。

1. $ grep -i "security" jan2017articles.csv  
2. 30 Jan 2017,Article,Tiberius Hefflin,4 ways to improve your security online right now,3,/article/17/1/4-ways-improve-your-online-security,Security and encryption,1242  
3. 28 Jan 2017,Article,Subhashish Panigrahi,How communities in India support privacy and software freedom,0,/article/17/1/how-communities-india-support-privacy-software-freedom,Security and encryption,453  
4. 27 Jan 2017,Article,Alan Smithee,Data Privacy Day 2017: Solutions for everyday privacy,5,/article/17/1/every-day-privacy,"Big data, Security and encryption",1424  
5. 04 Jan 2017,Article,Daniel J Walsh,50 ways to avoid getting hacked in 2017,14,/article/17/1/yearbook-50-ways-avoid-getting-hacked,"Yearbook, 2016 Open Source Yearbook, Security and encryption, Containers, Docker, Linux",2143 

我們使用的格式為grep加-i標記(告知grep不區分大小寫)，再加我們希望搜尋的模式，最後是我們所搜尋的目標檔案的位置。最後我們找到了4篇安全相關文章。如果搜尋的範圍更加具體，我們可以使用pipe——它能夠將grep同wc命令加以結合，用以了解其中有多少行提到了安全內容。

1. $ grep -i "security" jan2017articles.csv | wc -l 4 

這樣，wc會提取grep命令的輸出結果並將其作為輸入內容。很明顯，這種結合再加上一點shell指令碼，終端將立即變成一款強大的資料分析工具。

四、tr

在多數分析場景下，我們都會面對CSV檔案——但我們該如何將其轉換為其他格式以實現不同應用方式?這裡，我們將其轉化為HTML形式以通過表格進行資料使用。tr命令可幫助大家實現這一目標，它可將一類字元轉化為另一類。同樣的，大家也可以配合pipe命令實現輸出/輸入對接。

下面，我們試試另一個多部分範例，即建立一個TSV(即製表符分隔值)檔案，其中只包含發表於1月20日的文章。

1. $ grep "20 Jan 2017" jan2017articles.csv | tr ',' 't' > jan20only.tsv 

首先，我們利用grep進行日期查詢。我們將此結果pipe至tr命令，並利用後者將全部逗號替換為tab(表示為‘t’)。但結果去哪了?這裡我們使用〉字元將結果輸出為新檔案而非螢幕結果。如此一來，我們可以dqywjan20only.tsv檔案中一定包含預期的資料。

1. $ cat jan20only.tsv 20 Jan 2017 Article Kushal Das 5 ways to expand your project's contributor base 2 /article/17/1/expand-project-contributor-base Getting started 690 20 Jan 2017 Article D Ruth Bavousett How to write web apps in R with Shiny 2 /article/17/1/writing-new-web-apps-shiny Web development 218 20 Jan 2017 Article Jason Baker "Top 5: Shell scripting the Cinnamon Linux desktop environment and more" 0 /article/17/1/top-5-january-20 Top 5 214 20 Jan 2017 Article Tracy Miranda How is your community promoting diversity? 1 /article/17/1/take-action-diversity-tech Diversity and inclusion 1007 

五、sort

如果我們先要找到包含資訊最多的特定列，又該如何操作?假設我們需要了解哪篇文章包含最長的新文章列表，那麼面對之前得出的1月20日文章列表，我們可以使用sort命令對列字數進行排序。在這種情況下，我們並不需要使用中間檔案，而可以繼續使用pipe。不過將長命令鏈拆分成較短的部分往往能夠簡化整個操作過程。

1. $ sort -nr -t$'t' -k8 jan20only.tsv | head -n 1  
2. 20 Jan 2017 Article Tracy Miranda How is your community promoting diversity? 1 /article/17/1/take-action-diversity-tech Diversity and inclusion 1007 

以上是一條長命令，我們嘗試進行拆分。首先，我們使用sort命令對字數進行排序。-nr選項告知sort以數位排序，並將結果進行反向排序(由大到小)。此後的-t$'t'則告知sort其中的分隔符為tab(‘t’)。其中的$要求此shell為一條需要處理的字串，並將n返回為tab。而-k8部分則告知sort命令使用第八列，即本範例中進行字數統計的目標列。

最後，輸出結果被pipe至head，處理後在結果中顯示此檔案中包含最多字數的文章標題。

六、sed

大家可能還需要在檔案中選擇特定某行。這裡可以使用sed。如果希望將全部包含標題的多個檔案加以合併，並只為整體檔案顯示一組標題，即需要清除額外內容； 或者希望只提取特定行範圍，同樣可以使用sed。另外，sed還能夠??好地完成批次查詢與替換任務。

下面立足之前的文章列表建立一個不含標題的新檔案，用於同其他檔案合併(例如我們每月都會定期生成某個檔案，現在需要將各個月份的內容進行合併)。

1. $ sed '1 d' jan2017articles.csv > jan17no_headers.csv 

其中的“1 d”選項要求sed刪除第一行。

七、cut

了解了如何刪除行，那麼我們該如何刪除列?或者說如何只選定某一列?下面我們嘗試為之前生成的列表建立一份新的作者清單。

1. $ cut -d',' -f3 jan17no_headers.csv > authors.txt 

在這裡，通過cut與-d相配合代表著我們需要第三列(-f3)，並將結果傳送至名為authors.txt的新檔案。

八、uniq

作者清單已經完成，但我們要如何知悉其中包含多少位不同的作者?每位作者又各自編寫了多少篇文章?這裡使用uniq。下面我們對檔案進行sort排序，找到唯一值，而後計算每位作者的文章數量，並用結果替換原本內容。

1. sort authors.txt | uniq -c > authors.txt 

現在已經可以看到每位作者的對應文章數，下面檢查最後三行以確保結果正確。

1. $ tail -n3 authors-sorted.txt  
2. 1 Tracy Miranda 
3. 1 Veer Muchandi 
4. 3 VM (Vicky) Brasseur 

九、awk

最後讓我們了解最後一款工具，awk。awk是一款出色的替換性工具，當然其功能遠不止如此。下面我們重新回歸1月12日文章列表TSV檔案，利用awk建立新列表以標明各篇文章的作者以及各作者編寫的具體字數。

1. $ awk -F "t" '{print $3 " " $NF}' jan20only.tsv  
2. Kushal Das 690  
3. D Ruth Bavousett 218  
4. Jason Baker 214  
5. Tracy Miranda 1007 

其中的-F "t"用於告知awk目前處理的是由tab分隔的資料。在大括號內，我們為awk提供執行程式碼。$3代表要求其將輸出第三行，而$NF則代表輸出最後一行(即‘欄位數’的縮寫)，並在兩項結果間新增兩個空格以進行明確劃分。

雖然這裡列舉的例子規模較小，看似不必使用上述工具解決，但如果將範圍擴大到包含93000行的檔案，那麼它顯然很難利用電子試算表程式進行處理。

利用這些簡單的工具與小型指令碼，大家可以避免使用資料庫工具並輕鬆完成大量資料統計工作。無論您是專業人士還是業餘愛好者，它的作用都不容忽視。

原文標題：9command-line tools for data analysis in Linux，作者：Jason Baker

本文永久更新連結地址：http://www.linuxidc.com/Linux/2017-02/141160.htm