數據分析是當今最熱門的技能之一，它可以幫助我們從海量的數據中提取有價值的信息，支持決策和創新。但是，要進行有效的數據分析，我們不僅需要掌握相關的理論和方法，還需要熟練使用一些工具和平台。 Linux系統是資料分析師常用的作業系統之一，它提供了許多強大且靈活的命令，可以幫助我們處理各種資料問題。本文將為你介紹Linux系統下資料分析常用的9個指令，以及它們的功能和用法。無論你是Linux新手還是老手，這些指令都會讓你的數據分析工作更有效率、更方便。
首先，讓我們先從檔案處理開始。文件中有什麼內容?其格式如何?大家可以使用cat指令在終端機中顯示文件，但其顯然不適合處理內容較長的文件。
輸入head與tail，二者能夠完整顯示文件中的指定行數內容。如果大家未指定行數，則預設顯示其中10行。
1. $ tail -n 3 jan2017articles.csv 2. 02 Jan 2017,Article,Scott Nesbitt,3 tips for effectively using wikis for documentation,1 ,/article/17/1/tips-using-wiki-documentation,"Documentation, Wiki",710 3. 02 Jan 2017,Article,Jen Wike Huger,The Opensource.com preview for January,0,/article/17 /1/editorial-preview-january,,358 4. 02 Jan 2017,Poll,Jason Baker,What is your open source New Year's resolution?,1,/poll/1 7/1/what-your-open-source-new-years-resolution,,186
在最後三行中，我能夠找到日期、作者姓名、標題以及其他一些資訊。不過由於缺少列頭，我不清楚各列的具體意義。以下查看各列的具體標題：
1. $ head -n 1 jan2017articles.csv 2. Post date,Content type,Author,Title,Comment count,Path,Tags,Word count
現在一切都非常明確，我們可以看到發布日期、內容類型、作者、標題、提交次數、相關URL、各文章標籤以及字數。
#但如果需要分析數百甚至上千篇文章，又該如何處理?這裡就要使用wc命令了——其為“字數”一詞的縮寫。 wc能夠對檔案的位元組、字元、單字或行數進行計數。在本範例中，我們希望了解文章中的行數。
本文件共有93行，考慮到第一行中包含文件標題，因此可以推測此文件是一份包含92篇文章的清單。
#下面提出新的問題：其中有多少文章與安全主題有關?為了實現目標，我們假定需要的文章會在標題、標籤或其他位置提到安全這一字眼。這時，grep工具可用於透過特定字元搜尋檔案或實現其他搜尋模式。這是一款極為強大的工具，因為我們甚至能夠利用正規表示式建立極為精確的匹配模式。不過這裡，我們只需要尋找一條簡單的字串。
1. $ grep -i "security" jan2017articles.csv 2. 30 Jan 2017,Article,Tiberius Hefflin,4 ways to improve your security online right now,3, /article/17/1/4-ways-improve-your-online-security,Security and encryption,1242 3. 28 Jan 2017,Article,Subhashish Panigrahi,How communities in India support privacy and software freedom,0,/article/17/1/how-communities-india-support-privacy-software-freedom,Security and encryption,453 4. 27 Jan 2017,Article,Alan Smithee,Data Privacy Day 2017: Solutions for everyday privacy ,5,/article/17/1/every-day-privacy,"Big data, Security and encryption",1424 5. 04 Jan 2017,Article,Daniel J Walsh,50 ways to avoid getting hacked in 2017,14,/article /17/1/yearbook-50-ways-avoid-getting-hacked,"Yearbook, 2016 Open Source Yearbook, Security and encryption, Containers, Docker, Linux",2143 我们使用的格式为grep加-i标记(告知grep不区分大小写)，再加我们希望搜索的模式，最后是我们所搜索的目标文件的 位置。最后我们找到了
4篇安全相關文章。如果搜尋的範圍更具體，我們可以使用pipe——它能夠將grep同wc指令加以結合，用以了解其中有多少行提到了安全內容。
$ grep -i "security" jan2017articles.csv | wc -l 4
這樣，wc會提取grep指令的輸出結果並將其作為輸入內容。很明顯，這種結合再加上一點shell腳本，終端將立即變成一個強大的資料分析工具。
在多數分析場景下，我們都會面對CSV檔案－但我們該如何將其轉換為其他格式以實現不同應用方式?這裡，我們將其轉化為HTML形式以透過表格進行資料使用。 tr指令可協助大家達成此目標，它可將一類字元轉換為另一類。同樣的，大家也可以配合pipe指令實現輸出/輸入對接。
下面，我們試試另一個多部分範例，即建立一個TSV(即製表符分隔值)文件，其中只包含發表於1月20日的文章。
=$ grep "20 Jan 2017" jan2017articles.csv | tr ',' '/t' > jan20only.tsv
首先，我們利用grep進行日期查詢。我們將此結果pipe至tr指令，並利用後者將全部逗號替換為tab(表示為’/t’)。但結果去哪了?這裡我們使用〉字元將結果輸出為新檔案而非螢幕結果。如此一來，我們可以dqywjan20only.tsv檔案中一定包含預期的資料。
$ cat jan20only.tsv 20 Jan 2017 Article Kushal Das 5 ways to expand your project's contributor base 2 /article/17/1/expand-project-contributor-base Getting started 690 20 Jan 2017 Article D Ruth Bavousett How to write web apps in R with Shiny 2 /article/17/1/writing-new-web-apps-shiny Web development 218 20 Jan 2017 Article Jason Baker "Top 5: Shell scripting the Cinnamon Linux desktop environment and more" 0 /article/17/1/top-5-january-20 Top 5 214 20 Jan 2017 Article Tracy Miranda How is your community promoting diversity? 1 /article/17/1/take-action-diversity-tech Diversity and inclusion 1007
如果我们先要找到包含信息最多的特定列，又该如何操作?假设我们需要了解哪篇文章包含最长的新文章列表，那么面对之前得出的1月20日文章列表，我们可以使用sort命令对列字数进行排序。在这种情况下，我们并不需要使用中间文件，而可以继续使用pipe。不过将长命令链拆分成较短的部分往往能够简化整个操作过程。
以上是一条长命令，我们尝试进行拆分。首先，我们使用sort命令对字数进行排序。-nr选项告知sort以数字排序，并将结果进行反向排序(由大到小)。此后的-t则告知其中的分隔符为。其中的要求此shell为一条需要处理的字符串，并将/n返回为tab。而-k8部分则告知sort命令使用第八列，即本示例中进行字数统计的目标列。
最后，输出结果被pipe至head，处理后在结果中显示此文件中包含最多字数的文章标题。
大家可能还需要在文件中选择特定某行。这里可以使用sed。如果希望将全部包含标题的多个文件加以合并，并只为整体文件显示一组标题，即需要清除额外内容； 或者希望只提取特定行范围，同样可以使用sed。另外，sed还能够很好地完成批量查找与替换任务。
下面立足之前的文章列表创建一个不含标题的新文件，用于同其他文件合并(例如我们每月都会定期生成某个文件，现在需要将各个月份的内容进行合并)。
其中的“1 d”选项要求sed删除第一行。
了解了如何删除行，那么我们该如何删除列?或者说如何只选定某一列?下面我们尝试为之前生成的列表创建一份新的作者清单。
在这里，通过cut与-d相配合代表着我们需要第三列(-f3)，并将结果发送至名为authors.txt的新文件。
作者清单已经完成，但我们要如何知悉其中包含多少位不同的作者?每位作者又各自编写了多少篇文章?这里使用unip。下面我们对文件进行sort排序，找到唯一值，而后计算每位作者的文章数量，并用结果替换原本内容。
现在已经可以看到每位作者的对应文章数，下面检查最后三行以确保结果正确。
最后让我们了解最后一款工具，awk。awk是一款出色的替换性工具，当然其功能远不止如此。下面我们重新回归1月12日文章列表TSV文件，利用awk创建新列表以标明各篇文章的作者以及各作者编写的具体字数。
#其中的-F “/t”用於告知awk目前處理的是由tab分隔的資料。在大括號內，我們為awk提供執行程式碼。 代表要求其將輸出第三行，而NF則代表輸出最後一行(即'字段數'的縮寫)，並在兩項結果間添加兩個空格以進行明確劃分。
雖然這裡列舉的例子規模較小，看似不必使用上述工具解決，但如果將範圍擴大到包含93000行的文件，那麼它顯然很難利用電子表格程式進行處理。
利用這些簡單的工具與小型腳本，大家可以避免使用資料庫工具並輕鬆完成大量資料統計工作。無論您是專業人士還是業餘愛好者，它的作用都不容忽視。
透過本文，你已經了解Linux系統下資料分析常用的9個指令，以及它們的功能和用法。這些命令涵蓋了檔案操作、目錄管理、輸出重定向、管道、連結等方面，可以幫助你在Linux系統下進行各種資料處理和分析。當然，這些命令只是Linux系統提供的眾多命令中的一部分，如果你想深入學習Linux系統和數據分析，還需要不斷地探索和實踐。希望這篇文章能對你的學習和工作有所幫助，也歡迎你分享你自己使用或發現的其他實用的Linux指令。
以上是Linux資料分析必備：9個實用指令大全的詳細內容。更多資訊請關注PHP中文網其他相關文章！
