Как посчитать вхождения каждого персонажа?

13

Например, у меня есть файл 1.txt, который содержит:

Moscow
Astana
Tokyo
Ottawa

Я хочу посчитать количество всех символов как:

a - 4,
b - 0,
c - 1,
...
z - 0
Set-хх
источник
4
Из принятого ответа не совсем понятно, хотите ли вы различать «А» и «А» или нет? Ваш вопрос предлагает вам сделать.
Джейкоб Влейм

Ответы:

20

Вы можете использовать это:

sed 's/\(.\)/\1\n/g' 1.txt | sort | uniq -ic
  4  
  5 a
  1 c
  1 k
  1 M
  1 n
  5 o
  2 s
  4 t
  2 w
  1 y

sedЧасть помещает символ новой строки после каждого символа. Тогда мы sortвыводим по алфавиту. И, наконец, uniqподсчитывает количество случаев. -iФлаг uniqможет быть опущен , если вы не хотите случай нечувствительности.

хаос
источник
3
Это великолепно. Дополнительным предостережением было бы снова направить вывод в sort -k 2алфавитно-цифровой список.
tetris11
3
Это самый короткий путь, самый понятный, но, к сожалению, самый медленный
crrp
В Mac OS XI пришлось использовать sed -e $'s/\(.\)/\\1\\\n/g'(см. Также stackoverflow.com/a/18410122/179014 )
asmaier
Для того, чтобы заказать по количеству вхождений ( по убыванию): | sort -rnk 1. И если вы имеете дело с очень большими файлами, как я, вы можете просто взять несколько тысяч строк, чтобы получить прокси для фактических подсчетов:cat 1.txt | shuf -n 10000 | sed 's/\(.\)/\1\n/g' | sort | uniq -ic | sort -rnk 1
cpury
6

Немного поздно, но для завершения набора, другой подход python (3), отсортированный результат:

#!/usr/bin/env python3
import sys

chars = open(sys.argv[1]).read().strip().replace("\n", "")
[print(c+" -", chars.count(c)) for c in sorted(set([c for c in chars]))]

A - 1
M - 1
O - 1
T - 1
a - 4
c - 1
k - 1
n - 1
o - 4
s - 2
t - 3
w - 2
y - 1

объяснение

  1. Прочитайте файл, пропустите пробелы и вернитесь как «символы»:

    chars = open(sys.argv[1]).read().strip().replace("\n", "")
  2. Создайте (отсортированный) набор уникальных элементов:

    sorted(set([c for c in chars]))
  3. Подсчитайте и напечатайте вхождение для каждого из символов:

    print(c+" -", chars.count(c)) for c in <uniques>

Как пользоваться

  1. Вставьте код в пустой файл, сохраните его как chars_count.py
  2. Запустите его с файлом в качестве аргумента:

    /path/to/chars_count.py </path/to/file>

    если скрипт исполняемый, или:

    python3 /path/to/chars_count.py </path/to/file>

    если это не так

Якоб Влейм
источник
5

По умолчанию в F IELD S eparator (FS) является пространством или вкладки . Так как мы хотим подсчитать каждый символ, нам нужно будет переопределить FS в none ( FS=""), чтобы разделить каждый символ в отдельной строке и сохранить его в массив, а в конце внутри END{..}блока вывести их общее количество вхождений с помощью следующей команды :

$ awk '{for (i=1;i<=NF;i++) a[$i]++} END{for (c in a) print c,a[c]}' FS="" file
A 1
M 1
O 1
T 1
a 4
c 1
k 1
n 1
o 4
s 2
t 3
w 2
y 1

В {for (i=1;i<=NF;i++) a[$i]++} ... FS="" ...блоке мы просто разбиваем персонажей. И
в END{for (c in a) print c,a[c]}блоке мы зацикливаемся на массив aи печатаем в нем сохраненный символ print cи его количество вхожденийa[c]

αғsнιη
источник
3

Сделайте forцикл для всех символов, которые вы хотите посчитать, и используйте grep -ioдля получения всех вхождений символа и игнорирования регистра, а также wc -lдля подсчета экземпляров и печати результата.

Как это:

#!/bin/bash

filename="1.txt"

for char in {a..z}
do
    echo "${char} - `grep -io "${char}" ${filename} | wc -l`,"
done

Скрипт выводит это:

a - 5,
b - 0,
c - 1,
d - 0,
e - 0,
f - 0,
g - 0,
h - 0,
i - 0,
j - 0,
k - 1,
l - 0,
m - 1,
n - 1,
o - 5,
p - 0,
q - 0,
r - 0,
s - 2,
t - 4,
u - 0,
v - 0,
w - 2,
x - 0,
y - 1,
z - 0,

РЕДАКТИРОВАТЬ после комментария

Чтобы создать цикл для всех печатных символов, вы можете сделать это:

#!/bin/bash

filename="a.txt"

for num in {32..126}
do
   char=`printf "\x$(printf %x ${num})"`
   echo "${char} - `grep -Fo "${char}" ${filename} | wc -l`,"
done

Это будет считать все символы ANSI от 32 до 126 - это наиболее часто читаемые. Обратите внимание, что это не использует игнорировать регистр.

Выход из этого будет:

- 0,
! - 0,
" - 0,
# - 0,
$ - 0,
% - 0,
& - 0,
' - 0,
( - 0,
) - 0,
* - 0,
+ - 0,
, - 0,
- - 0,
. - 0,
/ - 0,
0 - 0,
1 - 0,
2 - 0,
3 - 0,
4 - 0,
5 - 0,
6 - 0,
7 - 0,
8 - 0,
9 - 0,
: - 0,
; - 0,
< - 0,
= - 0,
> - 0,
? - 0,
@ - 0,
A - 1,
B - 0,
C - 0,
D - 0,
E - 0,
F - 0,
G - 0,
H - 0,
I - 0,
J - 0,
K - 0,
L - 0,
M - 1,
N - 0,
O - 1,
P - 0,
Q - 0,
R - 0,
S - 0,
T - 1,
U - 0,
V - 0,
W - 0,
X - 0,
Y - 0,
Z - 0,
[ - 0,
\ - 0,
] - 0,
^ - 0,
_ - 0,
` - 0,
a - 4,
b - 0,
c - 1,
d - 0,
e - 0,
f - 0,
g - 0,
h - 0,
i - 0,
j - 0,
k - 1,
l - 0,
m - 0,
n - 1,
o - 4,
p - 0,
q - 0,
r - 0,
s - 2,
t - 3,
u - 0,
v - 0,
w - 2,
x - 0,
y - 1,
z - 0,
{ - 0,
| - 0,
} - 0,
~ - 0,
stalet
источник
Если вы не хотите игнорировать регистр, удалите его iиз grep. (в вашем вопросе вы имели только 3 в ожидаемом результате)
stalet
ООО Спасибо. «{a..z}» - это все символы от «а» до «z»? как насчет всех печатаемых символов, как мы можем их обозначить, не перечисляя их все
Set-xx
Ive обновил свой ответ с примером о том , как расширить поиск по всем читаемым символам
stalet
Это много звонков grepна весь вход неоднократно.
200_success
3

Здесь другое решение (в awk) ...

awk '
        { for (indx=length($0); indx >= 1; --indx)
                ++chars[tolower(substr($0, indx, 1))]
        }
END     { for (c in chars) print c, chars[c]; }
' 1.txt | sort
  • Он создает ассоциативный массив с каждым символом в качестве значения индекса и счетчиком в качестве значения массива.
  • Действие END печатает массив.
Ховард Х
источник
не надо cat file | awk '...': можно прямо сказать awk '...' file.
Федорки
2

Следующий perloneliner сделает подсчет. Я поместил регулярное выражение в контекст списка (чтобы получить количество совпадений) и поместил это в скалярный контекст:

$ perl -e '$a=join("",<>);for("a".."z"){$d=()=$a=~/$_/gi;print"$_ - $d,\n"}' 1.txt
a - 5,
b - 0,
c - 1,
d - 0,
e - 0,
f - 0,
g - 0,
h - 0,
i - 0,
j - 0,
k - 1,
l - 0,
m - 1,
n - 1,
o - 5,
p - 0,
q - 0,
r - 0,
s - 2,
t - 4,
u - 0,
v - 0,
w - 2,
x - 0,
y - 1,
z - 0,
Сильвен Пино
источник
Чтобы избавиться от запятой, кажется, требуется значительное переписывание:perl -Mfeature=say -e '$a=join("",<>);say join(",\n", map { sprintf("%s - %d", $_, ($d=()=$a=~/$_/gi)); } ("a".."z"))'
200_success
2

Вот решение с использованием Python:

#!/usr/bin/env python2
import collections, string
with open('1.txt') as f:
    input_string = f.read().replace('\n', '').lower()
    count_dict = collections.Counter(input_string)
    for char in string.lowercase:
        print char + ' - ' + str(count_dict[char]) + ','

Здесь мы использовали класс collectionsмодуля Counterдля подсчета количества вхождений каждого символа, затем для целей печати мы использовали stringмодуль, чтобы получить все строчные буквы по переменной string.lowercase.

Сохраните приведенный выше скрипт в файле, присвоив ему любое имя, например count.py. Теперь из того же каталога , в котором сохранен файл , который вы можете просто запустить , python count.pyчтобы выполнить файл, из любого другого использования каталога абсолютного пути к файлу для его выполнения есть python /absolute/path/to/count.py.

heemayl
источник
Не могли бы вы уточнить ваше решение. Я имею в виду: создать файл имя_файла, поставить этот код, chmod + x и т. Д. И т. Д. И т. Д.
c0rp
@ c0rp: сделано ....
Heemayl
1

Некоторое время назад я написал для этого C-программу, потому что мне нужно было просматривать большие файлы и производить некоторую статику.

#include <stdlib.h>
#include <stdint.h>
#include <stdio.h>
#include <ctype.h>
#include <limits.h>
#include <math.h>
#include <sysexits.h>


inline static double square(double x)
{
    return x * x;
}


int main()
{
    static const unsigned distribution_size = 1 << CHAR_BIT;

    int rv = EX_OK;
    uintmax_t *distribution = calloc(distribution_size, sizeof(*distribution));

    {
        int c;
        while ((c = getchar()) != EOF)
            distribution[c]++;

        if (ferror(stdin)) {
            perror("I/O error on standard input");
            rv = EX_IOERR;
        }
    }

    uintmax_t sum = 0;
    for (unsigned i = 0; i != distribution_size; i++)
        sum += distribution[i];
    double avg = (double) sum / distribution_size;

    double var_accum = 0.0;
    for (unsigned i = 0; i != distribution_size; i++)
    {
        const uintmax_t x = distribution[i];

        printf("'%c' (%02X): %20ju", isprint((int) i) ? i : ' ', i, x);
        if (x != 0) {
            var_accum += square((double) x - avg);
            printf(" (%+.2e %%)\n", ((double) x / avg - 1.0) * 100.0);
        } else {
            var_accum += square(avg);
            putchar('\n');
        }
    }

    double stdev = sqrt(var_accum / distribution_size);
    double varcoeff = stdev / avg;
    printf(
        "total: %ju\n"
        "average: %e\n"
        "standard deviation: %e\n"
        "variation coefficient: %e\n",
        sum, avg, stdev, varcoeff);

    free(distribution);
    return rv;
}

скомпилировать с (при условии, что исходный код находится в character-distribution.c):

cc -std=c99 -O2 -g0 -o character-distribution character-distribution.c

бежать с:

./character-distribution < 1.txt

Если у вас нет готового компилятора C, установите GCC:

sudo apt-get install gcc build-essential
Дэвид Фёрстер
источник
0

Аналогичное решение для @heemayl, с более узким кодом, которое работает на Python 2.7 и Python 3.

#!/usr/bin/python

import collections
import fileinput
import itertools
import string

count = collections.Counter(itertools.chain(*fileinput.input()))
print(',\n'.join('{} - {}'.format(c, count[c] + count[c.upper()])
                 for c in string.ascii_lowercase))

Первое утверждение, count = collections.Counter(…)делает всю настоящую работу.

  • fileinput.input() читает каждую строку ввода, которая может быть передана через stdin или в качестве аргументов командной строки.
  • * заставляет его рассматривать символ за раз, а не строку за раз.
  • count = Counter(…)эффективно рассчитывает вхождения каждого символа за один проход и сохраняет результат в countпеременной.

Вторая строка просто печатает результаты.

  • '{} - {}'.format(c, count[c] + count[c.upper()]) for c in string.ascii_lowercase Составляет список каждого персонажа и его количество.
  • print(',\n'.join(…)) помещает его в желаемый формат: по одному на строку, разделенные запятыми, но без запятой в последней строке.
200_success
источник
0

GNU awk 4.1

awk -iwalkarray '{for (;NF;NF--) b[$NF]++} END {walk_array(b)}' FS=
[A] = 1
[O] = 1
[w] = 2
[k] = 1
[y] = 1
[T] = 1
[n] = 1
[a] = 4
[o] = 4
[c] = 1
[s] = 2
[t] = 3
[M] = 1

Если у вас есть более ранняя версия GNU awk, вы можете использовать for (c in b) print c, b[c].

Стивен Пенни
источник
0

Вот ответ, используя рубин. Это делается путем изменения строки в уникальный список различных символов и использования метода count для каждого из них.

#!/usr/bin/env ruby

String content = IO.read("1.txt")
content.split("").uniq.sort.each { |chr| puts( chr + ' - ' + content.count(chr).to_s) }
stalet
источник