问题描述
我有一个包含大约 2500 万行的文本文件。线路上的数据类似如下:
12ertwrtrdfger
897erterterte
545ret3w2trewt345
968587563453345
89753647565344553
我想分析最常用的前缀和后缀。在上面的示例中,您可以看到 2 行以 897 开头,两行以 345 结尾,我想看看哪些前缀/后缀最常见。我也想得到条形图/饼图的结果。任何数据分析程序都可以进行这种分析?
解决方法
sed ... <file | sort | uniq -c
args 需要指定提取前 3 个字符或后 3 个字符。
uniq -c
计算每个字符串出现的频率。
确定 | sort -nbr
人希望先按最频繁排序。
点击 | head -10
只看到 to 10。
然后输入 LibreCalc 以获得带有图形的电子表格。
sed -E '/^(.....)(.*)$/\1/' <abc.txt | sort | uniq -c >pre5.txt
最后 5 个,使用不同的方式精确指定 5 个字符:
sed -E '/^(.*)(.{5})$/\2/' <abc.txt | sort | uniq -c >suf5.txt
但是,有一个“错误”。当整行少于 5 个字符时,将发送短行到输出。
,你可以试试下面的python代码。它在 1.5 分钟内运行,其中包含与您的描述相符的 1GB 文件。它有 922180 个不同的前缀和 891532 个不同的后缀。
pre = {}
suf = {}
with open('input.txt','r') as f:
for line in f:
p,s = line[:3],line[-4:-1]
pre[p] = pre.get(p,0) + 1
suf[s] = suf.get(s,0) + 1
df_pre = pd.DataFrame([[e[0],e[1]] for e in pre.items()])
df_suf = pd.DataFrame([[e[0],e[1]] for e in suf.items()])
df_pre.sort_values([1],ascending=False)
df_suf.sort_values([1],ascending=False)
文件生成:string.printables 中有 98 个不同的字符可用。 该文件包含 2500 万行,每行约 40 个字符。
,我已经用下面的代码解决了我的问题:
sed abc.txt <abc.txt | cut -c 1-5 | sort | uniq -cd | sort -nbr > pre5.txt