Cut, sort
Contenido
Cut, sort¶
En esta parte del curso estudiaremos las herramientas cut, y sort. Al igual que las anteriores partes, este tutorial tiene un enfoque general, sin aplicaciones en Bioinformática (lo que veremos más adelante).
Nota importante
En la mayoría de secciones existen preguntas y pequeños ejercicios, marcados con la etiqueta Pregunta, cuyas respuestas deben ser realizadas como deber de esta parte del curso. Te sugerimos guardar las respuestas en el Jupyter notebook y correr los comandos en las preguntas que esto sea posible.
En la última parte de este capítulo se encuentran las repuestas de los ejercicios, pero te recomendamos que primero trates de resolverlos por tu cuenta.
Advertencia
En este tutorial usaremos la herramienta GNU cut, que viene instalada por defecto en la mayoría de distribuciones de GNU/Linux. Puede que algunos de los comandos usados con esta herramienta no sean compatibles con otras versiones del programa usadas en MacOS, por lo que les recomendamos instalar GNU cut. En este blog se discute este tema.
Archivos para este tutorial¶
En este tutorial usaremos un archivo con una lista de nombres de estudiantes y otra con las calificaciones correspondientes.
Nota
Pueden encontrar los archivos alumnos.txt y `notas.txt en este link, dentro del repositorio de GitHub del libro.
Comando cut¶
Cut es una herramienta de SO basados en UNIX, que sirve para cortar partes de líneas de archivos e imprimir el resultado en el standard output (std), que son flujos de datos estandarizados producidos por programas de línea de comandos y que se imprimen por defecto en la terminal. Es posible realizar los cortes de las líneas por delimitadores, posición de bytes o caracteres.
La sintaxis general de esta herramienta es de la siguiente forma:
cut [-opcion(es)...] [archivo(s)]
Nota
Este comando puede aceptar cero o más archivos como entrada. Si no se especifica ningún archivo, el comando se aplicará a lo que se escriba en el standard input (stdin).
Opciones de la herramienta cut¶
Información general del programa: --version, --help¶
El comando --version se usa para imprimir en la terminal el número y algunas características de la versión de cut instalada en el SO; mientras que --help sirve para imprimir información general del uso y las opciones de cut.
Pregunta
¿Cuál versión de cut tienes en tu SO?
Definir el tipo de corte: -f, -b, -c, -d, --complement, -s, --output-delimiter¶
Para definir la forma de corte del comando cut existen las siguientes opciones:
Opción |
Descripción |
|---|---|
|
Se selecciona especificando un campo/columna, conjunto de campos, o rango de campos. También imprime cualquier línea que no contenga un carácter delimitador, a menos que se especifique la opción |
|
Se selecciona especificando un byte, conjunto de bytes, o rango de bytes |
|
Se selecciona especificando un carácter, conjunto de caracteres, o rango de caracteres |
|
Se especifica un delimitador que se utilizará en lugar del «TAB», que es el predeterminado |
|
Cuando se usa esta opción, el corte se realiza en todos los bytes, caracteres o campos excepto el/los seleccionados |
|
De forma predeterminada, cut imprime las líneas que no contienen ningún carácter delimitador. Cuando se usa esta opción, no se imprimen líneas que no contienen delimitadores |
|
El comportamiento predeterminado de cut es utilizar el delimitador de entrada como delimitador de salida. Esta opción permite especificar un delimitador de salida diferente |
Tip
Se debe considerar que en las opciones -f, -b, y -c LIST especifica un elemento, conjunto, o rango, lo que se puede escribir como un entero, múltiples enteros separados por comas, un rango de enteros, o varios rangos de enteros separados por comas.
Existen las siguientes formas de escribir esto:
Forma |
Descripción |
|---|---|
|
El campo, byte, o carácter N, comenzando por 1 |
|
Desde el campo, byte, o carácter N, hasta el final de la línea |
|
Desde el campo, byte, o carácter N al M |
|
Desde el primer campo, byte, o carácter hasta el M |
En la sección de Manejo de terminal se aprendió sobre el comando paste, que permite copiar los elementos de un archivo a otro haciendo coincidir sus columnas. Este comando es útil para unir los archivos alumnos.txt y notas.txt y exportar el resultado a un nuevo fichero, para lo que usamos el siguiente comando:
paste alumnos.txt archivos/notas.txt > archivos/notasfinal.txt
Ahora, si queremos seleccionar solo la columna de la Nota1 de los estudiantes del archivo notasfinal.txt, podemos usar el comando:
cut -f 2 notasfinal.txt
Pregunta
Noten que por defecto la salida del programa se imprime en la terminal, pero podemos re-direccionar el stout a un nuevo archivo usando el operador >. ¿Qué comando podría usar para seleccionar las columnas de las Notas 1, 2, y 3 del archivo notasfinal.txt?
Ahora, si queremos extraer solo los apellidos de los estudiantes, podríamos pensar en usar el mismo comando anterior con la opción -f como 1, pero el resultado no es adecuado porque se seleccionan también los nombres. ¿Qué comando podría usar para seleccionar solamente los apellidos de los estudiantes?
¿Cómo puedo usar un comando similar pero con una opción adicional para seleccionar todas las columnas, menos los apellidos de los estudiantes?
¿Qué opción debo añadir para que el delimitador del archivo de salida sea ,?
En la versión actual de GNU cut el resultados de la opción -c es el mismo que con -b, lo que se debe a que no se ha implementado la opción -c de forma adecuada. Sin embargo, es bueno conocer su diferencia. Cuando se estableció el formato estándar ASCII, se consideraron 128 caracteres usados principalmente en el idioma inglés, cada uno representado por un byte. Sin embargo, con el paso del tiempo se han introducido nuevos símbolos, por lo que se han creado nuevos estándares como el UTF-8 en el que NO todos los caracteres se representan con un byte.
Pregunta
Por ejemplo, creemos un archivo desde la terminal y añadamos la palabra niño; si usamos el comando cut con la opción -c y el elemento 4 en este archivo, esperaríamos obtener el caracter o, ¿Esta predicción se cumple?
Comando sort¶
Es un comando simple y útil que permite re-arreglar las líneas de un archivo de texto de forma que queden ordenadas alfabéticamente o numéricamente. De forma general se aplican las siguientes reglas:
Las líneas que comienzan con un número aparecerán antes de las líneas que comienzan con una letra
Las líneas que comienzan con una letra que aparece antes en el alfabeto aparecerán antes de las líneas que comienzan con una letra que aparece después en el alfabeto
Las líneas que comienzan con una letra minúscula aparecerán antes de las líneas que comienzan con la misma letra en mayúscula
La sintaxis general de esta herramienta es la siguiente:
sort [-opcion(es)...] [archivo(s)]
Opciones de la herramienta sort¶
Las opciones principales de sort son las siguientes:
Opción |
Descripción |
|---|---|
|
Ignorar los espacios en blanco iniciales |
|
Comparar según el valor numérico general |
|
Invertir el resultado de las comparaciones |
|
Permite eliminar las líneas repetidas |
|
Compruebe si el archivo de entrada ha sido ordenado |
|
Ordena considerando campos o columnas específicas. POS toma la forma |
Por ejemplo, si queremos ordenar los Nombres de los estudiantes del archivo alumnos.txt usando su primer apellido, utilizamos el comando sort sin ninguna opción. Sin embargo, si queremos realizar el ordenamiento considerando el primer nombre de los estudiantes podemos usar el siguiente comando:
sort -k 3 alumnos.txt
Pregunta
Se observa que hay algunos nombres repetidos, ¿Cómo debemos modificar el comando previo para eliminar los duplicados?
Ahora, podemos ordenar las notas de los estudiantes del archivo notas.txt de acuerdo a la Nota2 de forma ascendente, para lo que empleamos el siguiente comando:
sort -g -k 2 notas.txt
Pregunta
En base a los ejemplos previos, ¿Cómo podrían ordenar las notas de los estudiantes del archivo notasfinal.txt de acuerdo a la Nota3 de forma descendente?
Material suplementario¶
En los siguientes enlaces pueden encontrar información adicional sobre estos temas: