AWK语言第二版 3.4 Unicode数据 3.5 基本图表 3.6 总结

news2024/10/7 2:27:19

3.4 Unicode数据

啤酒是不分国界的饮料，与之相称的是，啤酒的名字中也使用了很多非ASCII字符。下面的 Awk 程序 charfreq 统计了输入中每个不同的 Unicode 代码点（code point）的出现次数。（代码点通常是一个字符，但有些字符是由多个代码点组成的）

# charfreq - count frequency of characters in input

awk '
{ n = split($0, ch, "")
  for (i = 1; i <= n; i++)
    tab[ch[i]]++
}

END {
  for (i in tab)
    print i "\t" tab[i]
} ' $* | sort -k2 -nr

用空字符串作为域分隔符来拆分每行，把每个字符都存成数组 ch 的一个元素，然后用 tab 来计算这些字符数量；最后以倒序显示累加的数量。

这程序在啤酒数据（见3.2节）上跑得不快，在2015年的 MacBook Air上就花了250秒钟。下面这个版本快了两倍多，正好不超过105秒：

# charfreq2 - alternate version of charfreq

awk '
{ n = length($0)
  for (i = 1; i <= n; i++)
    tab[substr($0, i, 1)]++
}

END {
  for (i in tab)
    print i "\t" tab[i]
} ' $* | sort -k2 -nr

这个版本没有使用 split，而是用 substr 每次提取一个字符。函数 substr(s, m, n) 返回字符串 s 从位置 m 开始（m从1开始）且长度为 n 的子串，若 m 和 n 表示的范围超过了字符串的范围，则返回空字符串。如果不指定 n，则子串一直延续到 s 的末尾。完整的细节见参考手册 A.2.1节。

Gawk，即Awk的GNU版本，再次遥遥领先：第一个版本跑了72秒，第二个版本跑了42秒。

其他语言怎么样？为了比较，我们写了一个简单的Python版本的 charfreq：

# charfreq - count frequency of characters in input

freq = {}
with open('../beer/reviews.csv', encoding='utf-8') as f:
  for ch in f.read():
    if ch == '\n':
      continue
    if ch in freq:
      freq[ch] += 1
    else:
      freq[ch] = 1
for ch in freq:
  print(ch, freq[ch])

Python 版本花了45秒，和Gawk差不多，不过代价是还得写文件处理的代码。（本书作者不是Pythonistas，所以这个程序肯定是还能改进的）

除去每行末尾的换行符之外，啤酒评级文件中有 195 个不同的字符。出现最频繁的是空格，其次是可打印字符：

        10586176
,       19094985
e       12308925
r       8311408
4       7269630
a       7014111
5       6993858
...

还有不少来自欧洲语言的字符，比如德语的变音符号，以及一定量的日语和汉语字符：

ル        1
サ 1
ケ        1
ア        1

山 1

葉 1

黑 229

最后一个字符是黑（hei, black），出现在一种被简单命名为“Black”（对应汉字为黑）的烈性 Imperial stout 酒名中。

Mikkeller ApS,2, American Double / Imperial Stout, Black (黑), 17.5

3.5 基本图表

可视化是探索性数据分析的重要组成部分，而幸运的是有不少非常不错的绘制库，使制作图表变得相当轻松。对 Python 来说更是如此，它有 Matplotlib 和 Seaborn 等包，不过在 Unix 和 macOS 上用 Gnuplot 进行快速绘图也不错。当然 Excel 和其他电子表格程序也能创建不错的图表。这里我们只会对绘制数据给出最少量的建议，读者们应该自己做实验（来找到自己喜欢的方式）。

在ABV和评分之间存在关联吗？打分人更偏爱高酒精度啤酒吗？可以用散点图来得到一个快速的印象，不过绘制150万个点有困难。我们用Awk取出 0.1%的样本（大概1500个点），并进行绘制：

$ awk -F'\t' 'NR%1000 == 500 {print $2, $5}' rev.tsv >temp
$ gnuplot
plot 'temp'
$

结果见下图 3-1。看来在评分和ABV之间最多存在弱关联。

图3-1

Tukey的可视化箱线图（boxplot）能显示数据集的中位数、四分位数和其他属性。箱线图有时称为箱须图，因为从箱体两段延伸出的两条“晶须”（whiskers）的范围，通常是下四分位数和上四分位数之间范围的1.5倍。晶须之外的点是异常值。

下面这个简短的Python程序生成前面所述样本数据的箱线图。 temp 文件是前面的程序生成的，每行都包含了评分和ABV，中间用空格隔开，且不带表头。

import matplotlib.pyplot as plt
import pandas as pd
df = pd.read_csv('temp', sep=' ', header=None)
plt.boxplot(df[0])
plt.show()

得到图3-2所示的箱线图，显示评分的中位数是4，而一半的评分介于3.5和4.5这两个四分位数之间。晶须最多延伸到四分位数间距的 1.5 倍，另外在 1.5 和 1.0 处存在异常值。

图 3-2

也许通过与大众市场的美国啤酒相比，可以看看任意特定的啤酒或酒厂的表现如何。

$ awk -F'\t' '/Budweiser/ { s += $2; n++ }
      END {print s/n, n }' rev.tsv
3.15159 3958

$ awk -F'\t' '/Coors/ { s += $2; n++ }
      END {print s/n, n }' rev.tsv
3.1044 9291

$ awk -F'\t' '/Hill Farmstead/ { s += $2; n++ }
      END {print s/n, n }' rev.tsv
4.29486 1555

这表明在大规模生产的啤酒与小规模生产的精酿啤酒之间，存在明显的评分差距。