Linux数据分析之九个给力的命令行工具

共计 5244 个字符，预计需要花费 14 分钟才能阅读完成。

要对数据进行分析，大家会从哪里入手?

对于大多数熟悉了图形工作环境的朋友来说，电子表格工具无疑是第一选项。但命令行工具同样能够更快更高效地解决问题——且只须稍微学习即可上手。

大部分此类工具冻严格局限于 Linux，而多数可同样运行在 Unix 甚至是 Windows 环境之下。在今天的文章中，我们将尝试几款简单的开源数据分析工具，并共同了解其如何运作。

首先，让我们先从文件处理开始。文件中有什么内容? 其格式如何? 大家可以使用 cat 命令在终端中显示文件，但其显然不适合处理内容较长的文件。

输入 head 与tail，二者能够完整显示文件中的指定行数内容。如果大家未指定行数，则默认显示其中 10 行。

在最后三行中，我能够找到日期、作者姓名、标题以及其他一些信息。不过由于缺少列头，我不清楚各列的具体含义。下面查看各列的具体标题：

现在一切都非常明确，我们可以看到发布日期、内容类型、作者、标题、提交次数、相关 URL、各文章标签以及字数。

但如果需要分析数百甚至上千篇文章，又该如何处理? 这里就要使用 wc 命令了——其为“字数”一词的缩写。wc能够对文件的字节、字符、单词或者行数进行计数。在本示例中，我们希望了解文章中的行数。

本文件共有 93 行，考虑到第一行中包含文件标题，因此可以推测此文件是一份包含 92 篇文章的列表。

下面提出新的问题：其中有多少篇文章与安全话题有关? 为了实现目标，我们假定需要的文章会在标题、标签或者其他位置提到安全这一字眼。这时，grep 工具可用于通过特定字符搜索文件或者实现其他搜索模式。这是一款极为强大的工具，因为我们甚至能够利用正则表达式建立极为精确的匹配模式。不过这里，我们只需要寻找一条简单的字符串。

我们使用的格式为 grep 加-i标记 (告知 grep 不区分大小写)，再加我们希望搜索的模式，最后是我们所搜索的目标文件的位置。最后我们找到了 4 篇安全相关文章。如果搜索的范围更加具体，我们可以使用pipe——它能够将grep 同wc命令加以结合，用以了解其中有多少行提到了安全内容。

这样，wc会提取 grep 命令的输出结果并将其作为输入内容。很明显，这种结合再加上一点 shell 脚本，终端将立即变成一款强大的数据分析工具。

在多数分析场景下，我们都会面对 CSV 文件——但我们该如何将其转换为其他格式以实现不同应用方式? 这里，我们将其转化为 HTML 形式以通过表格进行数据使用。tr命令可帮助大家实现这一目标，它可将一类字符转化为另一类。同样的，大家也可以配合 pipe 命令实现输出 / 输入对接。

下面，我们试试另一个多部分示例，即创建一个 TSV(即制表符分隔值)文件，其中只包含发表于 1 月 20 日的文章。

首先，我们利用 grep 进行日期查询。我们将此结果 pipe 至tr命令，并利用后者将全部逗号替换为 tab(表示为‘/t’)。但结果去哪了? 这里我们使用〉字符将结果输出为新文件而非屏幕结果。如此一来，我们可以 dqywjan20only.tsv 文件中一定包含预期的数据。

如果我们先要找到包含信息最多的特定列，又该如何操作? 假设我们需要了解哪篇文章包含最长的新文章列表，那么面对之前得出的 1 月 20 日文章列表，我们可以使用 sort 命令对列字数进行排序。在这种情况下，我们并不需要使用中间文件，而可以继续使用pipe。不过将长命令链拆分成较短的部分往往能够简化整个操作过程。

以上是一条长命令，我们尝试进行拆分。首先，我们使用 sort 命令对字数进行排序。-nr选项告知 sort 以数字排序，并将结果进行反向排序 (由大到小)。此后的-t$’/t’ 则告知 sort 其中的分隔符为 tab(‘/t’)。其中的 $ 要求此 shell 为一条需要处理的字符串，并将 /n 返回为 tab。而 -k8 部分则告知 sort 命令使用第八列，即本示例中进行字数统计的目标列。

最后，输出结果被 pipe 至head，处理后在结果中显示此文件中包含最多字数的文章标题。

大家可能还需要在文件中选择特定某行。这里可以使用 sed。如果希望将全部包含标题的多个文件加以合并，并只为整体文件显示一组标题，即需要清除额外内容；或者希望只提取特定行范围，同样可以使用sed。另外，sed 还能够很好地完成批量查找与替换任务。

下面立足之前的文章列表创建一个不含标题的新文件，用于同其他文件合并(例如我们每月都会定期生成某个文件，现在需要将各个月份的内容进行合并)。

其中的“1 d”选项要求 sed 删除第一行。

了解了如何删除行，那么我们该如何删除列? 或者说如何只选定某一列? 下面我们尝试为之前生成的列表创建一份新的作者清单。

在这里，通过 cut 与-d相配合代表着我们需要第三列(-f3)，并将结果发送至名为 authors.txt 的新文件。

作者清单已经完成，但我们要如何知悉其中包含多少位不同的作者? 每位作者又各自编写了多少篇文章? 这里使用 unip。下面我们对文件进行sort 排序，找到唯一值，而后计算每位作者的文章数量，并用结果替换原本内容。

现在已经可以看到每位作者的对应文章数，下面检查最后三行以确保结果正确。

最后让我们了解最后一款工具，awk。awk是一款出色的替换性工具，当然其功能远不止如此。下面我们重新回归 1 月 12 日文章列表 TSV 文件，利用 awk 创建新列表以标明各篇文章的作者以及各作者编写的具体字数。

其中的 -F “/t” 用于告知 awk 目前处理的是由 tab 分隔的数据。在大括号内，我们为 awk 提供执行代码。$3代表要求其将输出第三行，而 $NF 则代表输出最后一行(即‘字段数’的缩写)，并在两项结果间添加两个空格以进行明确划分。

虽然这里列举的例子规模较小，看似不必使用上述工具解决，但如果将范围扩大到包含 93000 行的文件，那么它显然很难利用电子表格程序进行处理。

利用这些简单的工具与小型脚本，大家可以避免使用数据库工具并轻松完成大量数据统计工作。无论您是专业人士还是业余爱好者，它的作用都不容忽视。

阿里云 2 核 2G 服务器 3M 带宽 61 元 1 年，有高配

腾讯云新客低至 82 元 / 年，老客户 99 元 / 年

代金券：在阿里云专用满减优惠券