本篇文章作者是Matthew Mayo，选自KDnuggets(一个著名的数据挖掘网站)。简要介绍了12种类Unix操作系统命令行工具，以及这些命令行工具对数据科学研究和数据科学家的价值。
这篇文章概述了十二个可以用于数据科学项目的类Unix操作系统命令行工具。
这一系列工具不包括任何基本的文件管理命令(pwd、ls、mkdir、rm……)和远程桌面管理工具(rsh、ssh……)，但是从数据科学角度来看，这些命令行工具都是比较实用的，通常用来进行不同程度的数据检验和数据处理。
这一系列命令行工具都包含在一种特殊的类Unix操作系统中。
这些固然都是最基础的操作命令，但我还是鼓励你针对某些命令行自行查找更多的应用实例。
在本文中，工具名都可以直接链接到维基百科词条，而不是Linux的使用手册页面，我觉得前者对于新手来说更友好一点。
Linux的使用手册页面：https://linux.die.net/man/
1. wget
wget是一个文件检索工具，用于从远程位置下载文件，其下载远程文件的基本用法如下：
wget：https://en.wikipedia.org/wiki/wget
~$ wget https://raw.githubusercontent.com/uiuc-cse/data-fa14/gh-pages/data/iris.csv
--2018-03-20 18:27:21-- https://raw.githubusercontent.com/uiuc-cse/data-fa14/gh-pages/data/iris.csv
Resolving raw.githubusercontent.com (raw.githubusercontent.com)... 151.101.20.133
Connecting to raw.githubusercontent.com (raw.githubusercontent.com)|151.101.20.133|:443... connected.
HTTP request sent, awaiting response... 200 OK
Length: 3716 (3.6K) [text/plain]
Saving to: ‘iris.csv’
iris.csv
100 [=======================================================================================================>] 3.63K --.-KB/s in 0s
2018-03-20 18:27:21 (19.9 MB/s) - ‘iris.csv’ saved [3716/3716]
- 1.
- 2.
- 3.
- 4.
- 5.
- 6.
- 7.
- 8.
- 9.
- 10.
2. cat
cat是将文件内容标准输出的工具，此名称来自连接(concatenate)这个词。它可以用于实现一些较复杂的文件处理，包括将文件合并在一起(也就是真正的文件连接)、将文件追加到另一个文件中、以及给文件行编号等功能。
cat：https://en.wikipedia.org/wiki/Cat_(Unix)
~$ cat iris.csv
sepal_length,sepal_width,petal_length,petal_width,species
5.1,3.5,1.4,0.2,setosa
4.9,3,1.4,0.2,setosa
4.7,3.2,1.3,0.2,setosa
4.6,3.1,1.5,0.2,setosa
5,3.6,1.4,0.2,setosa
...
6.7,3,5.2,2.3,virginica
6.3,2.5,5,1.9,virginica
6.5,3,5.2,2,virginica
6.2,3.4,5.4,2.3,virginica
5.9,3,5.1,1.8,virginica
- 1.
- 2.
- 3.
- 4.
- 5.
- 6.
- 7.
- 8.
- 9.
- 10.
- 11.
- 12.
- 13.
3. wc
wc命令用于生成字数统计、行计数、字节计数以及与文本文件相关的内容。在没有设置其他选项的情况下，wc的默认输出是一行，由左到右依次是行数、字数统计(注意：每一行上没有空格中断的单个字符串被算作一个单词)、字符计数和文件名。
wc：https://en.wikipedia.org/wiki/Wc_(Unix)
~$ wc iris.cs
151 151 3716 iris.csv
- 1.
- 2.
4. head
head命令是标准地输出文件的前n行(默认为10行)，显示行数可以用-n项设置，如下。
Head：https://en.wikipedia.org/wiki/Head_(Unix)
~$ head -n 5 iris.csv
sepal_length,sepal_width,petal_length,petal_width,species
5.1,3.5,1.4,0.2,setosa
4.9,3,1.4,0.2,setosa
4.7,3.2,1.3,0.2,setosa
4.6,3.1,1.5,0.2,setosa
- 1.
- 2.
- 3.
- 4.
- 5.
- 6.
5. tail
接下来猜猜看tail是用来实现什么功能的?
tail：https://en.wikipedia.org/wiki/Tail_(Unix)
~$ tail -n 5 iris.csv
6.7,3,5.2,2.3,virginica
6.3,2.5,5,1.9,virginica
6.5,3,5.2,2,virginica
6.2,3.4,5.4,2.3,virginica
5.9,3,5.1,1.8,virginica
- 1.
- 2.
- 3.
- 4.
- 5.
- 6.
6. find
find是用于搜索特定文件的文件系统工具。以下命令就是在树结构中搜索特殊文件的例子，即从当前目录(“.”)开始，搜索以“iris”开头，并以任意字符结尾，类型为普通文件类型(“-type f”)的文件:
find：https://en.wikipedia.org/wiki/Find_(Unix)
~$ find . -name 'iris*' -type f
./iris.csv
./notebooks/kmeans-sharding-init/sharding/tests/results/iris_time_results.csv
./notebooks/ml-workflows-python-scratch/iris_raw.csv
./notebooks/ml-workflows-python-scratch/iris_clean.csv
...
- 1.
- 2.
- 3.
- 4.
- 5.
- 6.
7. cut
cut命令用于文本分割，虽然cut用于分割文本可以在各种标准下进行，但是它对于CSV文件中列数据的提取尤其有用。以下命令即为输出使用逗号分隔符("-d ','")的iris.csv文件的第五列(“- f 5”):
cut：https://en.wikipedia.org/wiki/Cut_(Unix)
~$ cut -d ',' -f 5 iris.csv
species
setosa
setosa
setosa
...
- 1.
- 2.
- 3.
- 4.
- 5.
- 6.
8. uniq
uniq是通过将文本中的重复行进行去重，从而将文本输出标准化的工具。就其本身而言，这似乎并没多大用处，但是当其用于构建pipelines时(将一个命令的输出连接到另一个命令的输入等等)将变得非常有用。
uniq：https://en.wikipedia.org/wiki/Uniq
以下命令结果是iris数据集的第五列中包含的不同类别及其计数:
~$ tail -n 150 iris.csv | cut -d "," -f 5 | uniq -c
50 setosa
50 versicolor
50 virginica
- 1.
- 2.
- 3.
- 4.
奶牛说了什么
9. awk
awk实际上不是一个"命令",而是一套完整的编程语言。它用于处理和提取文本, 且可以从命令行中以单行命令的形式调用。
awk：https://en.wikipedia.org/wiki/AWK
完全掌握awk是需要一些时间的，但在此之前，这里有一个可以练习的例子。考虑到样本文件iris.csv相当有限的文本多样性，以下这行命令就可以调用awk，在给定的文件(“iris.csv”)中搜索字符串“setosa”，并将所有项(在$0变量中保存的)一个一个地标准输出如下:
~$ awk '/setosa/ { print $0 }' iris.csv
5.1,3.5,1.4,0.2,setosa
4.9,3,1.4,0.2,setosa
4.7,3.2,1.3,0.2,setosa
4.6,3.1,1.5,0.2,setosa
5,3.6,1.4,0.2,setosa
- 1.
- 2.
- 3.
- 4.
- 5.
- 6.
10. grep
grep是另一种文本处理工具，用来查找匹配字符串和正则表达式。
grep：https://en.wikipedia.org/wiki/Grep
~$ grep -i "vir" iris.csv
6.3,3.3,6,2.5,virginica
5.8,2.7,5.1,1.9,virginica
7.1,3,5.9,2.1,virginica
...
- 1.
- 2.
- 3.
- 4.
- 5.
当你需要花大量的时间进行文本处理时，grep无疑是你需要掌握的一个好工具，更多有用的信息请参考网站：
https://www.thegeekstuff.com/2009/03/15-practical-unix-grep-command-examples。
11. sed
sed是一个流编辑器，也是一个文本处理和转换工具，类似于awk。下面我们将用此命令把iris.csv文件中的“setosa”改为“irissetosa”:
sed：https://en.wikipedia.org/wiki/Sed
~$ sed 's/setosa/iris-setosa/g' iris.csv > output.csv
~$ head output.csv
sepal_length,sepal_width,petal_length,petal_width,species
5.1,3.5,1.4,0.2,iris-setosa
4.9,3,1.4,0.2,iris-setosa
4.7,3.2,1.3,0.2,iris-setosa
...
- 1.
- 2.
- 3.
- 4.
- 5.
- 6.
- 7.
12. history
history非常简单，但也非常有用，特别是当你需要用命令语句来完成一些重复性的数据准备工作时。
History：https://en.wikipedia.org/wiki/History_(Unix)
~$ history547 tail iris.csv
548 tail -n 150 iris.csv
549 tail -n 150 iris.csv | cut -d "," -f 5 | uniq -c
550 clear
551 history
- 1.
- 2.
- 3.
- 4.
- 5.
至此，这篇文章已经对这12个方便的命令行工具都进行了简单的介绍，这只是对数据科学(或其他任何目标)可能用到的命令行工具的一种粗浅的体验。现在，是时候让它们把你的生产力从鼠标中解放出来了。
原文链接：
https://www.kdnuggets.com/2018/03/top-12-essential-command-line-tools-data-scientists.html
【本文是51CTO专栏机构大数据文摘的原创译文，微信公众号“大数据文摘（ id: BigDataDigest）”】
