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。
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 $HOME/bin/
# 添加系统变量给所有人用 (可选)
sudo cp csvtk /usr/local/bin/
# Conda安装(依赖关系检查可能要好久)
conda install -c bioconda csvtk
Windows 64位版
介绍
基本信息工具类型: 命令行工具,子命令结构
支持格式: CSV/TSV, plain/gzip-compressed
编程语言: Go
支持平台: Linux, OS X, Windows 等
发布方式: 单一可执行二进制文件,下载即用
发布平台: Github, Bioconda
特性跨平台
轻量,无任何依赖,无需编译、配置,下载即用
快速
支持stdin和gzip压缩的输入和输出文件,便于流处理
27个子命令提供多种实用的功能,且能通过命令行管道组合
支持Bash自动补全
支持简单的绘图
功能
在开发csvtk之前的两三年间,我已经写了几个可以复用的Python/Perl脚本(https://github.com/shenwei356/datakit) ,包括csv2tab、csvtk_grep、csv_join、csv_melt,intersection,unique。所以我的计划是首先集成这些已有的功能,随后根据需求进行扩展。
到目前为止,csvtk已有27个子命令,分为以下几大类:信息headers 直观打印标题行(操作列数较多的CSV前使用最佳)
stats 基本统计
stats2 对选定的数值列进行基本统计
格式转化pretty 转为美观、可读性强的格式(最常用命令之一)
csv2tab 转CSV为制表符分割格式(TSV)
tab2csv 转TSV为CSV
space2tab 转空格分割格式为TSV
transpose 转置CSV/TSV
csv2md 转CSV/TSV为makrdown格式(写文档常用)
集合操作head 打印前N条记录
sample 按比例随机采样
cut 选择特定列,支持按列或列名进行基本选择、范围选择、模糊选择、负向选择(最常用命令之一,非常强大)
uniq 无须排序,返回按指定(多)列作为key的唯一记录(好绕。。)
freq 按指定(多)列进行计数(常用)
inter 多个文件间的交集
grep 指定(多)列为Key进行搜索(最常用命令之一,可按指定列搜索)
filter 按指定(多)列的数值进行过滤
filter2 用类似awk的数值/表达式,按指定(多)列的数值进行滤
join 合并多个文件(常用)
编辑rename 直接重命名指定(多)列名(简单而实用)
rename2 以正则表达式重命名指定(多)列名(简单而实用)
replace 以正则表达式对指定(多)列进行替换编辑(最常用命令之一,可按指定列编辑)
mutate 以正则表达式基于已有列创建新的一列(常用于生成多列测试数据)
mutate2 用类似awk的数值/表达式,以正则表达式基于已有(多)列创建新的一列(常用)
gather 类似于R里面tidyr包的gather方法
排序sort 按指定(多)列进行排序
绘图plot 基本绘图plot hist histogram
plot box boxplot
plot line line plot and scatter plot
其它version 版本信息和检查新版本
genautocomplete 生成支持Bash自动补全的配置文件,重启Terminal生效。
使用输入数据要求每行的列数一致,空行也会报错
csvtk默认输入数据含有标题行,如没有请开启全局参数-H
csvtk默认输入数据为CSV格式,如为TSV请开启全局参数-t
输入数据列名最好唯一无重复
如果TSV中存在双引号"",请开启全局参数-l
csvtk默认以#开始的为注释行,若标题行含#,请给全局参数-C指定另一个不常见的字符(如$)
例子
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
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
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:
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。
学习扩增子、宏基因组科研思路和分析实战,关注“宏基因组”