woodcorpse的个人博客分享 http://blog.sciencenet.cn/u/woodcorpse

博文

csvtk:命令行下表格统计分析、数据筛选、替换、整理神器

已有 3374 次阅读 2020-3-5 20:20 |个人分类:软件|系统分类:科研笔记

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:

  1. 以微软Excel为代表的电子表格软件
  2. Notepad++/SublimeText等文本编辑器
  3. sed/awk/cut等Shell命令
  4. 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

  1. 输入数据要求每行的列数一致,空行也会报错
  2. csvtk默认输入数据含有标题行,如没有请开启全局参数-H
  3. csvtk默认输入数据为CSV格式,如为TSV请开启全局参数-t
  4. 输入数据列名最好唯一无重复
  5. 如果TSV中存在双引号"",请开启全局参数-l
  6. 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
  1. 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"
  2. 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
  3. 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

    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

  4. 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
  5. 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
  6. 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
  7. 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
  8. 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
  9. 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
  10. 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
  11. 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
  12. 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

猜你喜欢

写在后面

为鼓励读者交流、快速解决科研困难,我们建立了“宏基因组”专业讨论群,目前己有国内外5000+ 一线科研人员加入。参与讨论,获得专业解答,欢迎分享此文至朋友圈,并扫码加主编好友带你入群,务必备注“姓名-单位-研究方向-职称/年级”。技术问题寻求帮助,首先阅读《如何优雅的提问》学习解决问题思路,仍未解决群内讨论,问题不私聊,帮助同行。
image

学习扩增子、宏基因组科研思路和分析实战,关注“宏基因组”
image

image

点击阅读原文,跳转最新文章目录阅读
https://mp.weixin.qq.com/s/5jQspEvH5_4Xmart22gjMA



https://wap.sciencenet.cn/blog-3334560-1221982.html

上一篇:QIIME 2用户文档. 01简介和安装 Introduction & Install(2020.2)
下一篇:微生物组被Nature选为2020年最值得关注的技术之一
收藏 IP: 59.109.158.*| 热度|

0

该博文允许注册用户评论 请点击登录 评论 (0 个评论)

数据加载中...
扫一扫,分享此博文

Archiver|手机版|科学网 ( 京ICP备07017567号-12 )

GMT+8, 2024-3-29 20:35

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部