获取bash中列中唯一值的计数

Question

我有包含几列的制表符分隔文件。我想计算文件夹中所有文件的列中不同值的出现频率，并按计数的递减顺序对它们进行排序（最高计数优先）。我将如何在 Linux 命令行环境中完成此操作？

它可以使用任何常用的命令行语言，如 awk、perl、python 等。

Answer 1

Perl

此代码计算所有列的出现次数，并为每个列打印一个排序报告：

# columnvalues.pl
while (<>) {
    @Fields = split /\s+/;
    for $i ( 0 .. $#Fields ) {
        $result[$i]{$Fields[$i]}++
    };
}
for $j ( 0 .. $#result ) {
    print "column $j:\n";
    @values = keys %{$result[$j]};
    @sorted = sort { $result[$j]{$b} <=> $result[$j]{$a}  ||  $a cmp $b } @values;
    for $k ( @sorted ) {
        print " $k $result[$j]{$k}\n"
    }
}

将文本另存为 columnvalues.pl
运行为：perl columnvalues.pl files*

说明

在顶层while循环中：
* 循环遍历组合输入文件的每一行
* 将行拆分为@Fields 数组
* 对于每一列，递增结果数组哈希数据结构

在顶层 for 循环中：
* 循环遍历结果数组
* 打印列号
* 获取该列中使用的值
* 按出现次数对值进行排序
* 基于值的二级排序（例如 b vs g vs m vs z）
* 使用排序列表遍历结果哈希
* 打印每次出现的值和次数

基于@Dennis 提供的示例输入文件的结果

column 0:
 a 3
 z 3
 t 1
 v 1
 w 1
column 1:
 d 3
 r 2
 b 1
 g 1
 m 1
 z 1
column 2:
 c 4
 a 3
 e 2

.csv 输入

如果您的输入文件是 .csv，请将 /\s+/ 更改为 /,/

混淆

在一场丑陋的比赛中，Perl 装备精良。
这个单线做同样的事情：

perl -lane 'for $i (0..$#F){$g[$i]{$F[$i]}++};END{for $j (0..$#g){print "$j:";for $k (sort{$g[$j]{$b}<=>$g[$j]{$a}||$a cmp $b} keys %{$g[$j]}){print " $k $g[$j]{$k}"}}}' files*

Answer 2

这是在 shell 中执行此操作的一种方法：

FIELD=2
cut -f $FIELD * | sort| uniq -c |sort -nr

这是 bash 擅长的事情。

Answer 3

查看第二列的频率计数（例如）：

awk -F '\t' '{print $2}' * | sort | uniq -c | sort -nr

文件A.txt

z    z    a
a    b    c
w    d    e

文件B.txt

t    r    e
z    d    a
a    g    c

文件C.txt

z    r    a
v    d    c
a    m    c

结果：

  3 d
  2 r
  1 z
  1 m
  1 g
  1 b

Answer 4

Ruby(1.9+)

#!/usr/bin/env ruby
Dir["*"].each do |file|
    h=Hash.new(0)
    open(file).each do |row|
        row.chomp.split("\t").each do |w|
            h[ w ] += 1
        end
    end
    h.sort{|a,b| b[1]<=>a[1] }.each{|x,y| print "#{x}:#{y}\n" }
end

Answer 5

GNU site 建议使用这个不错的 awk 脚本，它可以打印单词及其频率。

可能的变化：

• 您可以通过管道通过sort -nr（以及反向word 和freq[word]）以降序查看结果。
• 如果你想要一个特定的列，你可以省略 for 循环，只写 freq[3]++ - 用列号替换 3。

这里是：

 # wordfreq.awk --- print list of word frequencies

 {
     $0 = tolower($0)    # remove case distinctions
     # remove punctuation
     gsub(/[^[:alnum:]_[:blank:]]/, "", $0)
     for (i = 1; i <= NF; i++)
         freq[$i]++
 }

 END {
     for (word in freq)
         printf "%s\t%d\n", word, freq[word]
 }