在bash中的列中获取唯一值的计数

Question

我有多个列分隔的制表符分隔文件.我想计算文件夹中所有文件的列中不同值的出现频率,并按递减顺序对它们进行排序(最高计数优先).如何在Linux命令行环境中完成此操作？

它可以使用任何常见的命令行语言,如awk,perl,python等.

Answer 1

要查看第二列的频率计数(例如):

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

fileA.txt

z    z    a
a    b    c
w    d    e

fileB.txt

t    r    e
z    d    a
a    g    c

fileC.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 2

这是在shell中执行此操作的方法:

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

这就是bash擅长的事情.

Answer 3

在GNU网站表明这个漂亮的awk脚本,它打印两个单词和它们的频率.

可能的变化:

• 您可以通过管道sort -nr(和反向word和freq[word])看到的结果降序排列.
• 如果你想要一个特定的列,你可以省略for循环并简单地写freq[3]++- 用列号替换3.

开始:

 # 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]
 }

Answer 4

佩尔

这段代码计算所有列的出现情况，并为每个列打印排序的报告：

# 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
。 perl columnvalues.pl files*

说明

在顶层的while循环中：
*循环合并的输入文件的每一行
*将行拆分为@Fields数组
*对于每一列，请增加结果哈希数组数据结构

在顶层的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
*按出现的次数对值进行
排序*基于值的二级排序（例如b vs g vs m vs z）
*使用排序后的列表遍历结果哈希
*打印每次出现的值和编号

基于@Dennis提供的样本输入文件的结果

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，请更改/\s+/为/,/

混淆

在一个丑陋的比赛中，Perl装备精良。
这种单线执行相同的操作：

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*