如何从巨大的 txt 文件中获取分数列表的反向百分位数？答案

【问题标题】：How to get the reverse percentile for a list of scores from a huge txt file?如何从巨大的 txt 文件中获取分数列表的反向百分位数？
【发布时间】：2015-08-16 09:24:34
【问题描述】：

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，我想获得 reverse percentile 约 10 个阈值。所以基本上，我的问题看起来像这样：“列 x 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

在上述情况下，我想问“低于 500 的值的百分比是多少？”答案是 80%。

我该怎么做？

注意事项：

首先使用 awk 过滤感兴趣的列的文件大约需要 26 分钟，这在速度方面很好（最终得到一个
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) 耗时太长。几个小时后我停止了计算。我想 1 小时左右就可以了。
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 的新手）。
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。仅供参考，读取预过滤文件（仅一列，80G）需要 1h16。为简单起见，我不会对文件进行预过滤。在我的测试中，mawk 比 gawk 好 2 倍。我使用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

【问题讨论】：

这段代码应该足够快：awk 'BEGIN {n=0;getline}; {if ($3<500) {n+=1}} END {print n/(NR-1)*100}' x.txt
@MaratTalipov 开始块的意义何在？
@User112638726，跳过标题行
@MaratTalipov 啊，好吧，虽然不需要 n=0。无论如何，所有变量在 awk 中都初始化为 0。
显式优于隐式 ...

标签： python r pandas awk scipy

【解决方案1】：

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。处理完文件后，只要读取了一条或多条记录，就打印百分比（这样可以避免除以 0）。

【讨论】：