七個用于數據科學(data science)的命令行工具

作者：大飛 2014-01-03 11:28:29

作為一名數據科學家，我用命令行的時間非常長，尤其是要獲取、整理和探索數據的時候。而且我也不是唯一一個這樣做的人。下面我將介紹在我的日常工作中發現很有用的七個命令行工具。

數據科學是OSEMN（和 awesome 相同發音），它包括獲取(Obtaining)、整理(Scrubbing)、探索(Exploring)、建模(Modeling)和翻譯(iNterpreting)數據。作為一名數據科學家，我用命令行的時間非常長，尤其是要獲取、整理和探索數據的時候。而且我也不是唯一一個這樣做的人。最近，Greg Reda介紹了可用于數據科學的經典命令行工具。在這之前，Seth Brown介紹了如何在Unix下進行探索性的數據分析。

下面我將介紹在我的日常工作中發現很有用的七個命令行工具。包括：jq、 json2csv、 csvkit、scrape、 xml2json、 sample 和 Rio。(我自己做的scrape、sample和Rio可以在這里拿到)。任何建議意見、問題甚至git上的拉取請求都非常歡迎(其他人建議的工具可以在***找到)。好的，下面我們首先介紹jq。

1. jq – sed for JSON

JSON現在越來越流行，尤其當API盛行了以后。我還記得處理JSON時，用grep和sed寫著丑陋的代碼。謝謝jq，終于可以不用寫的這么丑了。

假設我們對2008總統大選的所有候選人感興趣。紐約時報有一個關于競選財務的API。讓我們用curl取一些JSON：

curl -s 'http://api.nytimes.com/svc/elections/us/v3/finances/2008/president/totals.json?api-key=super-secret' > nyt.json

-s表示靜默模式。然后我們用jq最簡單的格式jq ‘.’，可以把得到的丑陋的代碼：

{"status":"OK","base_uri":"http://api.nytimes.com/svc/elections/us/v3/finances/2008/","cycle":2008,"copyright":"Copyright (c) 2013 The New York Times Company. All Rights Reserved.","results":[{"candidate_name":"Obama, Barack","name":"Barack Obama","party":"D",

轉換成漂亮的格式：

< nyt.json jq '.' | head { "results": [ { "candidate_id": "P80003338", "date_coverage_from": "2007-01-01", "date_coverage_to": "2008-11-24", "candidate_name": "Obama, Barack", "name": "Barack Obama", "party": "D",

同時，jq還可以選取和過濾JSON數據：

< nyt.json jq -c '.results[] | {name, party, cash: .cash_on_hand} | select(.cash | tonumber > 1000000)' 
{"cash":"29911984.0","party":"D","name":"Barack Obama"} 
{"cash":"32812513.75","party":"R","name":"John McCain"} 
{"cash":"4428347.5","party":"D","name":"John Edwards"}

更多使用方法參見手冊，但是不要指望jq能做所有事。Unix的哲學是寫能做一件事并且做得好的程序，但是jq功能強大！下面就來介紹json2csv。

2. json2csv – 把JSON轉換成CSV

雖然JSON適合交換數據，但是它不適合很多命令行工具。但是不用擔心，用json2csv我們可以輕松把JSON轉換成CSV。現在假設我們把數據存在million.json里，僅僅調用

< million.json json2csv -k name,party,cash

就可以把數據轉換成：

Barack Obama,D,29911984.0 
John McCain,R,32812513.75 
John Edwards,D,4428347.5

有了CSV格式我們就可以用傳統的如 cut -d 和 awk -F 一類的工具了。grep和sed沒有這樣的功能。因為CSV是以表格形式存儲的，所以csvkit的作者開發了csvkit。

3. csvkit – 轉換和使用CSV的套裝

csvkit不只是一個程序，而是一套程序。因為大多數這類工具“期望”CSV數據有一個表頭，所以我們在這里加一個。

echo name,party,cash | cat - million.csv > million-header.csv

我們可以用csvsort給候選人按競選資金排序并展示：

< million-header.csv csvsort -rc cash | csvlook 
|---------------+-------+--------------| 
|  name         | party | cash         | 
|---------------+-------+--------------| 
|  John McCain  | R     | 32812513.75  | 
|  Barack Obama | D     | 29911984.0   | 
|  John Edwards | D     | 4428347.5    | 
|---------------+-------+--------------|

看起來好像MySQL哈？說到數據庫，我們可以把CSV寫到sqlite數據庫（很多其他的數據庫也支持）里，用下列命令：

csvsql --db sqlite:///myfirst.db --insert million-header.csv 
sqlite3 myfirst.db 
sqlite> .schema million-header 
CREATE TABLE "million-header" ( 
    name VARCHAR(12) NOT NULL, 
    party VARCHAR(1) NOT NULL, 
    cash FLOAT NOT NULL 
);

插入后數據都會正確因為CSV里也有格式。此外，這個套裝里還有其他有趣工具，如 in2csv、 csvgrep 和csvjoin。通過csvjson，數據甚至可以從csv轉換會json。總之，你值得一看。

4. scrape – 用XPath和CSS選擇器進行HTML信息提取的工具

JSON雖然很好，但是同時也有很多資源依然需要從HTML中獲取。scrape就是一個Python腳本，包含了lxml和cssselect包，從而能選取特定HTML元素。維基百科上有個網頁列出了所有國家的邊界線語國土面積的比率，下面我們來把比率信息提取出來吧。

curl -s 'http://en.wikipedia.org/wiki/List_of_countries_and_territories_by_border/area_ratio' | scrape -b -e 'table.wikitable > tr:not(:first-child)' | head 
<!DOCTYPE html> 
<html> 
<body> 
<tr> 
<td>1</td> 
<td>Vatican City</td> 
<td>3.2</td> 
<td>0.44</td> 
<td>7.2727273</td> 
</tr>

-b命令讓scrape包含和標簽，因為有時xml2json會需要它把HTML轉換成JSON。

5. xml2json – 把XML轉換成JSON

如名字所說，這工具就是把XML(HTML也是一種XML)轉換成JSON的輸出格式。因此，xml2json是連接scrape和jq之間的很好的橋梁。

curl -s 'http://en.wikipedia.org/wiki/List_of_countries_and_territories_by_border/area_ratio' | scrape -be 'table.wikitable > tr:not(:first-child)' | xml2json | jq -c '.html.body.tr[] | {country: .td[1][], border: .td[2][], surface: .td[3][], ratio: .td[4][]}' | head 
{"ratio":"7.2727273","surface":"0.44","border":"3.2","country":"Vatican City"} 
{"ratio":"2.2000000","surface":"2","border":"4.4","country":"Monaco"} 
{"ratio":"0.6393443","surface":"61","border":"39","country":"San Marino"} 
{"ratio":"0.4750000","surface":"160","border":"76","country":"Liechtenstein"} 
{"ratio":"0.3000000","surface":"34","border":"10.2","country":"Sint Maarten (Netherlands)"} 
{"ratio":"0.2570513","surface":"468","border":"120.3","country":"Andorra"} 
{"ratio":"0.2000000","surface":"6","border":"1.2","country":"Gibraltar (United Kingdom)"} 
{"ratio":"0.1888889","surface":"54","border":"10.2","country":"Saint Martin (France)"} 
{"ratio":"0.1388244","surface":"2586","border":"359","country":"Luxembourg"} 
{"ratio":"0.0749196","surface":"6220","border":"466","country":"Palestinian territories"}

當然JSON數據之后可以輸入給json2csv。

6. sample – 用來debug

我寫的第二個工具是sample。（它是依據bitly的data_hacks寫的，bitly還有好多其他工具值得一看。）當你處理大量數據時，debug管道非常尷尬。這時，sample就會很有用。這個工具有三個用處：

逐行展示數據的一部分。
給在輸出時加入一些延時，當你的數據進來的時候有些延時，或者你輸出太快看不清楚時用這個很方便。
限制程序運行的時間。

下面的例子展現了這三個功能：

1	seq 10000 \| sample -r 20% -d 1000 -s 5 \| jq '{number: .}'

這表示，每一行有20%的機會被給到jq，沒兩行之間有1000毫秒的延遲，5秒過后，sample會停止。這些選項都是可選的。為了避免不必要的計算，請盡早sample。當你debug玩之后你就可以把它移除了。

7. Rio – 在處理中加入R

這篇文章沒有R就不完整。將R/Rscript加入處理不是很好理解，因為他們并沒有標準化輸入輸出，因此，我加入了一個命令行工具腳本，這樣就好理解了。

Rio這樣工作：首先，給標準輸入的CSV被轉移到一個臨時文件中，然后讓R把它讀進df中。之后，在-e中的命令被執行。***，***一個命令的輸出被重定向到標準輸出中。讓我用一行命令展現這三個用法，對每個部分展現5個數字的總結：

curl -s 'https://raw.github.com/pydata/pandas/master/pandas/tests/data/iris.csv' > iris.csv 
< iris.csv Rio -e 'summary(df)' 
  SepalLength      SepalWidth     PetalLength      PetalWidth   
 Min.   :4.300   Min.   :2.000   Min.   :1.000   Min.   :0.100  
 1st Qu.:5.100   1st Qu.:2.800   1st Qu.:1.600   1st Qu.:0.300  
 Median :5.800   Median :3.000   Median :4.350   Median :1.300  
 Mean   :5.843   Mean   :3.054   Mean   :3.759   Mean   :1.199  
 3rd Qu.:6.400   3rd Qu.:3.300   3rd Qu.:5.100   3rd Qu.:1.800  
 Max.   :7.900   Max.   :4.400   Max.   :6.900   Max.   :2.500  
     Name          
 Length:150        
 Class :character  
 Mode  :character

如果加入了-s選項，sqldf包會被引入，這樣CSV格式就會被輸出，這可以讓你之后用別的工具處理數據。

< iris.csv Rio -se 'sqldf("select * from df where df.SepalLength > 7.5")' | csvlook 
|--------------+------------+-------------+------------+-----------------| 
|  SepalLength | SepalWidth | PetalLength | PetalWidth | Name            | 
|--------------+------------+-------------+------------+-----------------| 
|  7.6         | 3          | 6.6         | 2.1        | Iris-virginica  | 
|  7.7         | 3.8        | 6.7         | 2.2        | Iris-virginica  | 
|  7.7         | 2.6        | 6.9         | 2.3        | Iris-virginica  | 
|  7.7         | 2.8        | 6.7         | 2          | Iris-virginica  | 
|  7.9         | 3.8        | 6.4         | 2          | Iris-virginica  | 
|  7.7         | 3          | 6.1         | 2.3        | Iris-virginica  | 
|--------------+------------+-------------+------------+-----------------|

如果你用-g選項，ggplot2會被引用，一個叫g得帶有df的ggplot對象會被聲明。如果最終輸出是個ggplot對象，一個PNG將會被寫到標準輸出里。

< iris.csv Rio -ge 'g+geom_point(aes(x=SepalLength,y=SepalWidth,colour=Name))' > iris.png

iris

我制作了這個工具，為了可以在命令行中充分利用R的力量。當然它有很多缺陷，但至少我們不需要再學習gnuplot了。

別人建議的命令行工具

下面是其他朋友通過twitter和hacker news推薦的工具，謝謝大家。

BigMLer by aficionado
crush-tools by mjn
csv2sqlite by dergachev
csvquote by susi22
data-tools repository by cgrubb
feedgnuplot by dima55
Grinder repository by @cgutteridge
HDF5 Tools by susi22
littler by @eddelbuettel
mallet by gibrown
RecordStream by revertts
subsample by paulgb
xls2csv by @sheeshee
XMLStarlet by gav

結論

我介紹了七個我日常用來處理數據的命令行工具。雖然每個工具各有所長，我經常是將它們與傳統工具（如grep, sed, 和awk）一起使用。將小工具結合起來使用組成一個大的流水線，這就是其用處所在。

不知你們對這個列表有什么想法，你們平時喜歡用什么工具呢。如果你們也做了什么好玩的工具，歡迎將其加入數據科學工具包data science toolbox。

如果你不認為自己能制作工具，也不用擔心，下次當你寫一個異乎尋常的命令行流水線時，記得將它放到一個文件里，加一個#!，加一些參數，改成可執行文件，你就做成一個工具啦~

雖然命令行工具的強大在獲取、處理和探索數據時不容小覷，在真正的探索、建模和理解翻譯數據時，你還是***在科學計算環境下進行。比如R或者IPython notebook+pandas。

如果感興趣，歡迎follow me on Twitter。

原文鏈接： jeroen janssens 翻譯：大飛
譯文鏈接： http://blog.jobbole.com/54308/

責任編輯：黃丹來源： jobbole.com

命令行工具