Csvtk命令行下表格统计分

作者: 大地缸 | 来源:发表于2021-03-22 06:28 被阅读0次

title: "Csvtk命令行下表格统计分"
date: 2021-03-11T06:28:06+08:00
draft: true
tags: ['csv']
author: "dadigang"
author_cn: "大地缸"
personal: "http://www.real007.cn"

关于作者

http://www.real007.cn/about

csvtk：命令行下表格统计分析、数据筛选、替换、整理神器

内容主要来自csvkt官方中文介绍 https://bioinf.shenwei.me/csvtk/chinese/。有改动，内容有增加

如同生物信息领域中的FASTA/Q格式一样，CSV/TSV作为计算机、数据科学和生物信息的基本格式，应用非常广泛。常用的处理软件包括：

以微软Excel为代表的电子表格软件
Notepad++/SublimeText等文本编辑器
sed/awk/cut等Shell命令
各种编程语言的数据处理库。

然而，电子表格软件和文本编辑器固然强大，但依赖鼠标操作，不适合批量处理； sed/awk/cut等Shell命令主要用于通用的表格数据，不适合含有标题行的CSV格式； 为了一个小操作写Python/R脚本也有点小题大作，且难以复用。

开发csvtk前现有的工具主要是Python写的csvkit，Rust写的xsv，C语言写的miller，都各有优劣。作者沈伟之前刚开发完seqkit，投文章过程中时间充足，便想趁热再造一个轮子。

所以我决定写一个命令行工具来满足CSV/TSV格式的常见操作，这就是csvtk了。

安装

支持Windows/Mac/Linux的32和64位系统。用户根据自己的系统自取。

最新版发布页面：https://github.com/shenwei356/csvtk/releases

Linux 64位Ubuntu为例

# 下载，大小为7.46M
wget https://github.com/shenwei356/csvtk/releases/download/v0.19.1/csvtk_linux_amd64.tar.gz
# 解压后为16M
tar xvzf csvtk_linux_amd64.tar.gz
# 添加环境变量自己用，Ubuntu默认~/bin为环境变量
mkdir -p $HOME/bin/; cp csvtk $HOME/bin/
# 添加系统变量给所有人用 (可选)
sudo cp csvtk /usr/local/bin/

# Conda安装(依赖关系检查可能要好久)
conda install -c bioconda csvtk

Windows 64位版

https://github.com/shenwei356/csvtk/releases/download/v0.19.1/csvtk_windows_amd64.exe.tar.gz

Mac 64位版 https://github.com/shenwei356/csvtk/releases/download/v0.19.1/csvtk_darwin_amd64.tar.gz

介绍

基本信息

工具类型: 命令行工具，子命令结构
支持格式: CSV/TSV, plain/gzip-compressed
编程语言: Go
支持平台: Linux, OS X， Windows 等
发布方式: 单一可执行二进制文件，下载即用
发布平台: Github, Bioconda
项目主页: http://bioinf.shenwei.me/csvtk/
开源地址: https://github.com/shenwei356/csvtk

特性

跨平台
轻量，无任何依赖，无需编译、配置，下载即用
快速
支持stdin和gzip压缩的输入和输出文件，便于流处理
27个子命令提供多种实用的功能，且能通过命令行管道组合
支持Bash自动补全
支持简单的绘图

功能

在开发csvtk之前的两三年间，我已经写了几个可以复用的Python/Perl脚本（https://github.com/shenwei356/datakit），包括csv2tab、csvtk_grep、csv_join、csv_melt，intersection，unique。所以我的计划是首先集成这些已有的功能，随后根据需求进行扩展。

到目前为止，csvtk已有27个子命令，分为以下几大类：

信息
- headers 直观打印标题行（ 操作列数较多的CSV前使用最佳）
- stats 基本统计
- stats2 对选定的数值列进行基本统计
格式转化
- pretty 转为美观、可读性强的格式（ 最常用命令之一）
- csv2tab 转CSV为制表符分割格式（TSV）
- tab2csv 转TSV为CSV
- space2tab 转空格分割格式为TSV
- transpose 转置CSV/TSV
- csv2md 转CSV/TSV为makrdown格式（ 写文档常用）
集合操作
- head 打印前N条记录
- sample 按比例随机采样
- cut 选择特定列，支持 按列或列名进行基本选择、范围选择、模糊选择、负向选择（ 最常用命令之一，非常强大）
- uniq 无须排序，返回按指定（多）列作为key的唯一记录（好绕。。）
- freq 按指定（多）列进行计数（常用）
- inter 多个文件间的交集
- grep 指定（多）列为Key进行搜索（ 最常用命令之一，可按指定列搜索）
- filter 按指定（多）列的数值进行过滤
- filter2 用类似awk的数值/表达式，按指定（多）列的数值进行滤
- join 合并多个文件（常用）
编辑
- rename 直接重命名指定（多）列名（ 简单而实用）
- rename2 以正则表达式重命名指定（多）列名（ 简单而实用）
- replace 以正则表达式对指定（多）列进行替换编辑（ 最常用命令之一，可按指定列编辑）
- mutate 以正则表达式基于已有列创建新的一列（ 常用于生成多列测试数据）
- mutate2 用类似awk的数值/表达式，以正则表达式基于已有（多）列创建新的一列（常用）
- gather 类似于R里面tidyr包的gather方法
排序
- sort 按指定（多）列进行排序
绘图
- plot 基本绘图
  - plot hist histogram
  - plot box boxplot
  - plot line line plot and scatter plot
其它
- version 版本信息和检查新版本
- genautocomplete 生成支持Bash自动补全的配置文件，重启Terminal生效。

使用

输入数据要求每行的列数一致，空行也会报错
csvtk默认输入数据含有标题行，如没有请开启全局参数-H
csvtk默认输入数据为CSV格式，如为TSV请开启全局参数-t
输入数据列名最好唯一无重复
如果TSV中存在双引号""，请开启全局参数-l
csvtk默认以#开始的为注释行，若标题行含#，请给全局参数-C指定另一个不常见的字符（如$）

例子

仅提供少量例子，更多例子请看使用手册 http://bioinf.shenwei.me/csvtk/usage/ 。

源代码：https://github.com/shenwei356/csvtk/

下载软件和测序数据

git clone git@github.com:shenwei356/csvtk.git
cd csvtk/testdata/

注意：

有些测序数据可能不在testdata中，可以自行根据下面页面显示内容保存；
软件默认为csv，使用-t参数改为tsv
命令后面可接输入文件，作者用cat inputfile 格式使命令中无输入文件，从 | 管道符读取数据，代码阅读更清楚

示例数据

```
 # 查看一个逗号分隔的名单示例文件
 $ cat names.csv
 id,first_name,last_name,username
 11,"Rob","Pike",rob
 2,Ken,Thompson,ken
 4,"Robert","Griesemer","gri"
 1,"Robert","Thompson","abc"
 NA,"Robert","Abel","123"

```

增强可读性

```
 # 格式化结果按列对齐，补空格
 $ cat names.csv  | csvtk pretty
 id   first_name   last_name   username
 11   Rob          Pike        rob
 2    Ken          Thompson    ken
 4    Robert       Griesemer   gri
 1    Robert       Thompson    abc
 NA   Robert       Abel        123

```

转为markdown，写博客、公众号超级有用

```
 $ cat names.csv | csvtk csv2md
 id |first_name|last_name|username
 :--|:---------|:--------|:-------
 11 |Rob       |Pike     |rob
 2  |Ken       |Thompson |ken
 4  |Robert    |Griesemer|gri
 1  |Robert    |Thompson |abc
 NA |Robert    |Abel     |123

```


效果
idfirst\_namelast\_nameusername11RobPikerob2KenThompsonken4RobertGriesemergri1RobertThompsonabcNARobertAbel123

用 列位置或列名来选择指定列，可改变列的顺序

```
 # 按列位置选择并可设置顺序
 $ cat names.csv | csvtk cut -f 3,1 | csvtk pretty
 # 按列名选择并可重排序列
 $ cat names.csv | csvtk cut -f last_name,id | csvtk pretty
 last_name   id
 Pike        11
 Thompson    2
 Griesemer   4
 Thompson    1
 Abel        NA

```

用 通配符选择多列

```
 # 匹配内容可不可引号，有引号阅读更方便
 # *代表包括任意，多选择可用逗号,并行
 $ cat names.csv | csvtk cut -F -f '*name,id' | csvtk pretty
 first_name   last_name   username   id
 Rob          Pike        rob        11
 Ken          Thompson    ken        2
 Robert       Griesemer   gri        4
 Robert       Thompson    abc        1
 Robert       Abel        123        NA

```

删除第2，3列（ 下列第二种方法是选定范围，但-3在前,-2在后）

```
 # 指定列号
 $ cat names.csv | csvtk cut -f -2,-3 | csvtk pretty
 # 指定列范围
 $ cat names.csv | csvtk cut -f -3--2 | csvtk pretty
 # 指定列名
 $ cat names.csv | csvtk cut -f -first_name,-last_name | csvtk pretty
 id   username
 11   rob
 2    ken
 4    gri
 1    abc
 NA   123

```

按指定列搜索， 默认精确匹配

```
 # -f指定id列，-p指定模式，默认匹配单元格，匹配1，不会匹配11。模糊可用通配符
 $ cat names.csv | csvtk grep -f id -p 1 | csvtk pretty
 id   first_name   last_name   username
 1    Robert       Thompson    abc

```

模糊搜索（正则表达式）

```
 # -r开启模糊匹配，只要包含即可
 $ cat names.csv | csvtk grep -f id -p 1 -r | csvtk pretty
 id   first_name   last_name   username
 11   Rob          Pike        rob
 1    Robert       Thompson    abc

```

用文件作为模式来源

```
 # 经常需要配置多个值，按列表数据筛选很方便
 $ cat names.csv | csvtk grep -f id -P id-files.txt

```

对指定列做简单替换

```
 # 支持正则的替换，匹配内容保存为$1，再修饰
 $ cat names.csv | csvtk replace -f id -p '(\d+)' -r 'ID: $1' | csvtk pretty
 id       first_name   last_name   username
 ID: 11   Rob          Pike        rob
 ID: 2    Ken          Thompson    ken
 ID: 4    Robert       Griesemer   gri
 ID: 1    Robert       Thompson    abc
 NA       Robert       Abel        123

```

用key-value文件来替换（seqkit和brename都支持类似操作）

```
 # 指定列表的替换
 $ cat data.tsv
 name    id
 A       ID001
 B       ID002
 C       ID004

 $ cat alias.tsv
 001     Tom
 002     Bob
 003     Jim

 # nr代表行号，kv代表将匹配的$1替换为-k文件中第2列
 $ csvtk replace -t -f 2 -p "ID(.+)" -r "N: {nr}, alias: {kv}" -k alias.tsv data.tsv
 name    id
 A       N: 1, alias: Tom
 B       N: 2, alias: Bob
 C       N: 3, alias: 004

```

合并表格，需要分别指定各文件中的key列：默认均为第一列；若列（名）相同提供一个；若不同用分号分割

```
 $ cat phones.csv
 username,phone
 gri,11111
 rob,12345
 ken,22222
 shenwei,999999

 # 按名合并，包括不匹配的值
 $ csvtk join -f 'username;username' --keep-unmatched names.csv phones.csv | csvtk pretty
 id   first_name   last_name   username   phone
 11   Rob          Pike        rob        12345
 2    Ken          Thompson    ken        22222
 4    Robert       Griesemer   gri        11111
 1    Robert       Thompson    abc
 NA   Robert       Abel        123

```

以上的内容是否能加速你的分析工作。

扩展阅读：

Usage and Examples https://bioinf.shenwei.me/csvtk/usage/

英文使用和示例，每个命令的使用实例

Tutorial https://bioinf.shenwei.me/csvtk/tutorial/ 具体应用教程，以OTU表为例

Csvtk命令行下表格统计分

关于作者

csvtk：命令行下表格统计分析、数据筛选、替换、整理神器

安装

介绍

功能

使用

例子

相关文章

网友评论

延伸阅读

深度阅读

栏目导航

热点阅读