如何获取具有特定列值的csv文件的前n行？

Question

在Kaggle中，我有一个csv文件，如下所示：

ip,app,device,os,channel,click_time,attributed_time,is_attributed
83230,3,1,13,379,2017-11-06 14:32:21,,0
17357,3,1,19,379,2017-11-06 14:33:34,,1
35810,3,1,13,379,2017-11-06 14:34:12,,0
45745,14,1,13,478,2017-11-06 14:34:52,,0
161007,3,1,13,379,2017-11-06 14:35:08,,1
18787,3,1,16,379,2017-11-06 14:36:26,,0
103022,3,1,23,379,2017-11-06 14:37:44,,0
114221,3,1,19,379,2017-11-06 14:37:59,,0

现在，我想获取“ is_attributed”为1的前200行。如何使用“ cut”和其他实用程序来做到这一点？

Answer 1

借助awk，您可以一次性进行过滤和行限制：

awk -F, -v limit=200 '$NF == 1 { if (++n > limit) exit; print }' file.csv

• -F,-分隔符是逗号
• -v limit=200-初始化要在awk命令中使用的变量
• $NF == 1-仅在最后一个字段的值为1时才采取行动
• if (++n > limit) exit-收集所需的行数后立即停止阅读输入内容

在上述解决方案中，我们隐式地跳过了标题行，因为标题不以1结尾。为更稳健，我们可以使其明确：

awk -F, -v limit=200 'NR  == 1 { next }
                      $NF == 1 { if (++n > limit) exit; print }' file.csv

---

由于一些原因，这是比grep ... | head -n更好的解决方案：

• 这里没有管道（和额外的叉子）
• 一旦达到上限，我们就会停止；如果输入文件很大（grep -m也可以这样做），则会产生巨大的差异
• 很容易将此解决方案扩展到任意字段，而不仅仅是第一个或最后一个
• 如果定界符是一个多字符或需要由正则表达式进行匹配，则awk会非常轻松地处理它

---

相关帖子：

• Using grep vs awk在Unix和Linux Stack Exchange上

Answer 2

当列不变时，您可以使用简单的正则表达式匹配：

exact

Answer 3

要获取所有符合条件的行，请通过<items> <item> <link type="boardgamepublisher" id="1001" value="(Web published)"/> <link type="boardgamepublisher" id="1341" value="something else"/> </item> </items> 进行传递。