☰

分组 uniq 命令？

tag-icon • tag-icon text-processing awk group uniq
分组 uniq 命令？

我正在寻找从以下格式的文件中获取的命令：

hello 32
hello 67
hi    2
ho    1212
ho    1390
ho    3000

采用这种格式（通过获取“组”的最后一行来消除重复）：

hello 67
hi    2
ho    3000

目前我正在使用 Python 和 pandas 片段：

    df = pd.read_csv(self.input().path, sep='\t', names=('id', 'val'))

    # how to replace this logic with shell commands?
    surface = df.drop_duplicates(cols=('id'), take_last=True)

    with self.output().open('w') as output:
        surface.to_csv(output, sep='\t', cols=('id', 'val'))

更新：感谢您的精彩回答。以下是一些基准：

输入文件大小为 246M，包含 8583313 行。顺序并不重要。第一列的固定大小为 9 个字符。

输入文件示例：

000000027       20131017023259.0        00
000000027       20131017023259.0        11
000000035       20130827104320.0        01
000000035       20130827104320.0        04
000000043       20120127083412.0        01
...

                              time        space complexity

tac .. | sort -k1,1 -u        27.43682s   O(log(n))
Python/Pandas                 11.76063s   O(n)
awk '{c[$1]=$0;} END{for(...  11.72060s   O(n)

由于第一列有固定长度，uniq -w也可以使用：

tac {input} | uniq -w 9        3.25484s   O(1)

答案1

这看起来很疯狂，希望有更好的方法，但是：

tac foo | sort -k 1,1 -u

tac用于反转文件，因此您得到的是最后一个而不是第一个。

-k 1,1说仅使用第一个字段进行比较。

-u使其独一无二。

答案2

如果您不介意输出顺序，这里有一个awk解决方案：

$ awk '
    {a[$1] = !a[$1] ? $2 : a[$1] < $2 ? $2 : a[$1]}
    END {
        for (i in a) { print i,a[i] }
    }
' file
hi 2
hello 67
ho 3000

答案3

更多选项：

  1. perl，如果您不关心行的顺序。

    perl -lane '$k{$F[0]}=$F[1]; END{print "$_ $k{$_}" for keys(%k)}' file

  2. 一个更简单的awk

    awk '{c[$1]=$0;} END{for(i in c){print c[i]}}' file

  3. 一个愚蠢的贝壳

    while read a b; do grep -w ^"$a" file | tail -n1 ; done < file | uniq

答案4

那么你可以这样做sort

sort -u -k1,1 test

编辑：tac 是解决方案

相关内容