Imprimindo a frequência do número de colunas nas linhas em um arquivo de texto

Question

Eu tenho um arquivo parecido com:

1
2 4 5 6 
20
22
24 26 27 
29 30 31 32 34 40 50 56 58
234 235 270 500
1234 1235 1236 1237
2300

Eu quero ter uma saída mostrando que há 4 linhas com 1 coluna e 3 linhas com 4 colunas e 1 linha com 3 colunas e 1 linha com 9 colunas. Então, a saída deve ser: linhas (colunas)

4 (1)
1 (3)
3 (4)
1 (9)

considerando que meus dados reais são enormes, alguma sugestão, por favor? Enquanto isso, quero que o número máximo da coluna seja mostrado na última linha (aqui 9) e um número mínimo de coluna seja mostrado na primeira linha na saída.

    

Answer 1

Se você tem uma versão recente (> 4.0) do GNU awk:

gawk '
  {a[NF]++} 
  END {
    PROCINFO["sorted_in"]="@ind_num_asc"; 
    for (i in a) printf "%d (%d)\n", a[i], i;
  }' file
4 (1)
1 (3)
3 (4)
1 (9)

    

Answer 2

gawk abordagem (usando a função asorti ):

awk '{a[NF]++}END{ asorti(a,b); for(i in b) printf("%d (%d)\n",a[b[i]],b[i]) }' file

A saída:

4 (1)
1 (3)
3 (4)
1 (9)

• asorti(a,b) - classifica uma matriz por índices

Answer 3

Se você tratar cada célula da sua tabela como um espaço reservado para criar o resultado desejado, poderá classificar e contar linhas duplicadas para identificar quantas linhas têm a mesma quantidade de colunas.

a=$(sed 's/\([0-9]\+\)/1/g' file | sort | uniq -c)
dups=$( echo "$a" | cut -d' ' -f7 )

Depois disso, você pode contar as palavras de cada linha para identificar quantas colunas estão na linha.

words=$(echo "$a" | cut -d' ' -f8- | awk '{print NF}')
paste <(echo "$dups") <(echo "$words")
4       1
1       3
3       4
1       9

    

Answer 4

A versão mais simples é

cat data.txt | awk '{counts[NF] += 1} END { for (row_count in counts) { printf "%d (%d)\n", counts[row_count], row_count; }'

Ele usa apenas a variável NF , que fornece o número de campos na linha e atualiza o valor relevante associado a ele no dicionário. Então, no final do fluxo, ele apenas repete todas as teclas do dicionário e as imprime no formato solicitado.