欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  科技

在Linux的命令行中实现字符出现频率统计的方法

程序员文章站 2022-03-28 19:49:20
这篇文章主要介绍了在Linux的命令行中实现字符出现频率统计的方法,文中展示了各种字词以出现次数结果排序的命令行操作,需要的朋友可以参考下... 15-06-18...

linux 命令行有很多的乐趣,我们可以很容易并且完善地执行很多繁琐的任务。比如,我们计算一个文本文件中字和字符的出现频率,这就是我们打算在这篇文章中讲到的。

立刻来到我们脑海的命令,计算字和字符在一个文本文件中出现频率的 linux 命令是 wc 命令。
在使用的脚本来分析文本文件之前,我们必须有一个文本文件。为了保持一致性,我们将创建一个文本文件,man命令的输出如下所述。

   

复制代码
代码如下:
$ man man > man.txt

以上命令是将man命令的使用方式导入到man.txt文件里。

我们希望能得到最平常的单词,对之前我们新建的文件执行如下脚本。

   

复制代码
代码如下:
$ cat man.txt | tr ' ' '\012' | tr '[:upper:]' '[:lower:]' | tr -d '[:punct:]' | grep -v '[^a-z]' | sort | uniq -c | sort -rn | head

sample output

   

复制代码
代码如下:
7557
262 the
163 to
112 is
112 a
78 of
78 manual
76 and
64 if
63 be

上面的脚本,输出了最常使用的十个单词。

如何看单个的字母呢?那就用如下的命令。

   

复制代码
代码如下:
$ echo 'tecmint team' | fold -w1</p> <p>sample output</p> <p> [code] t
e
c
m
i
n
t
t
e
a
m

注: -w1只是设定了长度

现在我们将从那个文本文件中掰下来的每一个字母,对结果进行排序,得到所需的输出频率的十个最常见的字符。

    $ fold -w1 < man.txt | sort | uniq -c | sort -rn | head

sample output

   

复制代码
代码如下:
8579
2413 e
1987 a
1875 t
1644 i
1553 n
1522 o
1514 s
1224 r
1021 l

如何区分大小写呢?之前我们都是忽略大小写的。所以,用如下命令。

    $ fold -w1 < man.txt | sort | tr '[:lower:]' '[:upper:]' | uniq -c | sort -rn | head -20

sample output

   

复制代码
代码如下:
11636
2504 e
2079 a
2005 t
1729 i
1645 n
1632 s
1580 o
1269 r
1055 l
836 h
791 p
766 d
753 c
725 m
690 u
605 f
504 g
352 y
344 .

请检查上面的输出,标点符号居然包括在内。让我们干掉他,用tr 命令。go:

   

复制代码
代码如下:
$ fold -w1 < man.txt | tr '[:lower:]' '[:upper:]' | sort | tr -d '[:punct:]' | uniq -c | sort -rn | head -20

sample output

     

复制代码
代码如下:
11636
2504 e
2079 a
2005 t
1729 i
1645 n
1632 s
1580 o
1550
1269 r
1055 l
836 h
791 p
766 d
753 c
725 m
690 u
605 f
504 g
352 y

现在,我们有了三个文本,那就让我们用如下命令查看结果吧。

   

复制代码
代码如下:
$ cat *.txt | fold -w1 | tr '[:lower:]' '[:upper:]' | sort | tr -d '[:punct:]' | uniq -c | sort -rn | head -8

sample output

     

复制代码
代码如下:
11636
2504 e
2079 a
2005 t
1729 i
1645 n
1632 s
1580 o

下一步我们将会生成那些罕见的至少十个字母长的单词。以下是简单的脚本:

   

复制代码
代码如下:
$ cat man.txt | tr '' '\012' | tr '[:upper:]' '[:lower:]' | tr -d '[:punct:]' | tr -d '[0-9]' | sort | uniq -c | sort -n | grep -e '..................' | head

sample output

   

复制代码
代码如下:
1 ──────────────────────────────────────────
1 a all
1 abc any or all arguments within are optional
1 able see setlocale for precise details
1 ab options delimited by cannot be used together
1 achieved by using the less environment variable
1 a child process returned a nonzero exit status
1 act as if this option was supplied using the name as a filename
1 activate local mode format and display local manual files
1 acute accent

注: 上面的.越来越多,其实,我们可以使用.{10} 得到同样的效果。

这些简单的脚本,让我们知道最频繁出现的单词和英语中的字符。

现在结束了。下次我会在这里讲到另一个有趣的话题,你应该会喜欢读。还有别忘了向我们提供您的宝贵意见。