对文本文件中的第 N 列求和的最快方法

Question

我有一个包含 8 列和几百万行的 CSV 文件（其中字段分隔符确实是逗号）。这是一个示例：

1000024447,38111220,201705,181359,0,12,1,3090
1064458324,38009543,201507,9,0,1,1,1298
1064458324,38009543,201508,9,0,2,1,90017

打印给定列中所有数字的总和以及读取的行数的最快方法是什么？你能解释一下是什么让它更快吗？

Answer 1

GNU 大数据

$ datamash -t, count 3 sum 3 < file
3,604720

一些测试

$ time gawk -F',' '{ sum += $3 } END{ print sum, NR }' longfile
604720000000 3000000

real    0m2.851s
user    0m2.784s
sys     0m0.068s

$ time mawk -F',' '{ sum += $3 } END{ print sum, NR }' longfile
6.0472e+11 3000000

real    0m0.967s
user    0m0.920s
sys     0m0.048s

$ time perl -F, -nle '$sum += $F[2] }{ print "$.,$sum"' longfile
3000000,604720000000

real    0m3.394s
user    0m3.364s
sys     0m0.036s

$ time { cut -d, -f3 <longfile |paste -s -d+ - |bc ; }
604720000000

real    0m1.679s
user    0m1.416s
sys     0m0.248s

$ time datamash -t, count 3 sum 3 < longfile
3000000,604720000000

real    0m0.815s
user    0m0.716s
sys     0m0.036s

所以mawk，datamash似乎是一群人的选择。

Answer 2

Awk 是一种用于处理文本文件的快速且高性能的工具。

awk -F',' '{ sum += $3 }
           END{ printf "Sum of 3rd field: %d. Total number of lines: %d\n", sum, NR }' file

示例输出：

Sum of 3rd field: 604720. Total number of lines: 3

概念说明：
我必须指出，所有这些非awk替代方案只能在此类“理想”数字列上运行得更快。您只需要使用稍微复杂的格式（例如，在计算之前要删除一些附加信息<1064458324:a,<38009543:b,<201507:c,<9:d,<0:e,<1:f,<1:g,1298）并且所有这些速度优势都将消失（更不用说其中一些将无法执行需要处理）。