我有一个非常大的文本文件(>80Gb)。它包含制表符分隔的值。我只对一栏感兴趣。对于该特定列,我想获取 reverse percentile大约 10 个阈值。基本上,我的问题如下所示:“x 列的值低于 $threshold 的行的百分比是多少?”。阈值大致为 1、5、10、100、500、1000。 样本数据:
dontcare dontcare interesting
1 10 502
2 10 0
3 10 100
4 10 23
5 10 5
在上面的例子中,我想问“低于500的值的百分比是多少?”答案是 80%。
我该怎么做?
注释:
- 首先使用 awk 过滤文件以获取感兴趣的列,大约需要 26 分钟,这在速度方面还不错(最终得到一个 <10Gb 的文件)。
- 将生成的文件读入 pandas 数据帧大约需要 7 分钟;但计算(
df[df < threshold].shape(0) / total_length
)花费的时间太长。几个小时后我停止了计算。我想〜1小时就可以了。 -
wc -l <filename>
和df = pd.read_csv(filename, sep='\t', header=None); print(pandasdataframe)
产生了不同数量的行,这让我感到惊讶。 (不过,我是 Pandas 新手)。 - 我更喜欢 Python/Shell 中的解决方案,但我愿意接受任何想法。
编辑:
下面的答案是正确的。我想出了下面的脚本。仅供引用,读取预过滤文件(仅一列,<10G)花费了 1 小时 02 秒,读取原始文件(5 列,> 80G)花费了 1 小时 16 秒。为了简单起见,我不会对文件进行预过滤。在我的测试中,mawk 比 gawk 好 2 倍。我用过NR
而不是(NR-1)
因为没有标题行。
#!/bin/bash
FILENAME=$1
COL=$2 # one-based
AWK_CMD=mawk
THRESHOLDS="0 5 10 20 50 100 200 300 400 500 1000"
[ "$#" -ne 2 ] && { echo >&2 "usage: $0 <filename> <one-based-col>"; exit 1; }
# check if awk cmd exists
command -v $AWK_CMD >/dev/null 2>&1 || { echo >&2 "Cannot find $AWK_CMD. Please install and/or put it into your \$PATH."; exit 1; }
# constuct final cmd
CMD="$AWK_CMD 'BEGIN { total=0;"
for t in $THRESHOLDS; do
# set init vars to zero
CMD="${CMD} n$t=0;"
done
CMD="${CMD}}; { total+=\$$COL}; "
for t in $THRESHOLDS; do
# increment depending on threshold
CMD="${CMD} {if (\$$COL>$t) {n$t+=1}} ;"
done
CMD="${CMD} END { print \"mean: \" total/NR; "
for t in $THRESHOLDS; do
# output percentage
CMD="${CMD} print \"above$t: \" n$t/NR*100 ;"
done
CMD="${CMD} }' $FILENAME"
# echo $CMD
eval $CMD # backticks and $() won't work here
最佳答案
我建议使用 awk 来执行此操作:
awk 'NR > 1 && $3 < 500 { ++n } END { if (NR > 1) print n / (NR - 1) * 100 }' file
对于第一行之后第三个字段小于 500 的所有行,递增 n
。文件处理完毕后,只要读取了一条或多条记录,就打印百分比(这可以避免除以 0)。
关于python - 如何从一个巨大的txt文件中获取分数列表的反向百分位?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/30598562/