Como posso somar rapidamente todos os números em um arquivo?

Eu tenho um arquivo que contém vários milhares de números, cada um em sua própria linha:

34
42
11
6
2
99
...

Estou procurando escrever um script que imprima a soma de todos os números no arquivo. Eu tenho uma solução, mas não é muito eficiente. (Demora alguns minutos para ser executado.) Estou procurando uma solução mais eficiente. Alguma sugestão?

Para uma linha única de Perl, é basicamente a mesma coisa que a awksolução na resposta de Ayman Hourieh :

 % perl -nle '$sum += $_ } END { print $sum'

Se você estiver curioso sobre o que as linhas de uma linha do Perl fazem, você pode separá-las:

 %  perl -MO=Deparse -nle '$sum += $_ } END { print $sum'

O resultado é uma versão mais detalhada do programa, de uma forma que ninguém jamais escreveria por conta própria:

BEGIN { $/ = "\n"; $\ = "\n"; }
LINE: while (defined($_ = <ARGV>)) {
    chomp $_;
    $sum += $_;
}
sub END {
    print $sum;
}
-e syntax OK

Apenas para rir, tentei isso com um arquivo contendo 1.000.000 de números (no intervalo de 0 a 9.999). No meu Mac Pro, ele retorna virtualmente instantaneamente. Isso é muito ruim, porque eu esperava que o uso mmapfosse muito rápido, mas é exatamente ao mesmo tempo:

use 5.010;
use File::Map qw(map_file);

map_file my $map, $ARGV[0];

$sum += $1 while $map =~ m/(\d+)/g;

say $sum;

Você pode usar o awk:

awk '{ sum += $1 } END { print sum }' file

Até agora nenhuma das soluções é utilizada paste. Aqui está um:

paste -sd+ filename | bc

Como exemplo, calcule wheren onde 1 <= n <= 100000:

$ seq 100000 | paste -sd+ | bc -l
5000050000

(Para os curiosos, seq nimprimiria uma sequência de números de 1para num número positivo n.)

Apenas por diversão, vamos compará-lo:

$ for ((i=0; i<1000000; i++)) ; do echo $RANDOM; done > random_numbers

$ time perl -nle '$sum += $_ } END { print $sum' random_numbers
16379866392

real    0m0.226s
user    0m0.219s
sys     0m0.002s

$ time awk '{ sum += $1 } END { print sum }' random_numbers
16379866392

real    0m0.311s
user    0m0.304s
sys     0m0.005s

$ time { { tr "\n" + < random_numbers ; echo 0; } | bc; }
16379866392

real    0m0.445s
user    0m0.438s
sys     0m0.024s

$ time { s=0;while read l; do s=$((s+$l));done<random_numbers;echo $s; }
16379866392

real    0m9.309s
user    0m8.404s
sys     0m0.887s

$ time { s=0;while read l; do ((s+=l));done<random_numbers;echo $s; }
16379866392

real    0m7.191s
user    0m6.402s
sys     0m0.776s

$ time { sed ':a;N;s/\n/+/;ta' random_numbers|bc; }
^C

real    4m53.413s
user    4m52.584s
sys 0m0.052s

Abortei a corrida após 5 minutos

Eu tenho mergulhado para luae é rápido:

$ time lua -e 'sum=0; for line in io.lines() do sum=sum+line end; print(sum)' < random_numbers
16388542582.0

real    0m0.362s
user    0m0.313s
sys     0m0.063s

e enquanto estou atualizando isso, ruby:

$ time ruby -e 'sum = 0; File.foreach(ARGV.shift) {|line| sum+=line.to_i}; puts sum' random_numbers
16388542582

real    0m0.378s
user    0m0.297s
sys     0m0.078s

Preste atenção ao conselho de Ed Morton: usar $1

$ time awk '{ sum += $1 } END { print sum }' random_numbers
16388542582

real    0m0.421s
user    0m0.359s
sys     0m0.063s

vs usando $0

$ time awk '{ sum += $0 } END { print sum }' random_numbers
16388542582

real    0m0.302s
user    0m0.234s
sys     0m0.063s

Outra opção é usar jq:

$ seq 10|jq -s add
55

-s( --slurp) lê as linhas de entrada em uma matriz.

Este é Bash direto:

sum=0
while read -r line
do
    (( sum += line ))
done < file
echo $sum

Aqui está outra frase

( echo 0 ; sed 's/$/ +/' foo ; echo p ) | dc

Isso pressupõe que os números são inteiros. Se você precisar de casas decimais, tente

( echo 0 2k ; sed 's/$/ +/' foo ; echo p ) | dc

Ajuste 2 para o número de casas decimais necessárias.

Eu prefiro usar o GNU datamash para essas tarefas porque é mais sucinto e legível que o perl ou o awk. Por exemplo

datamash sum 1 < myfile

onde 1 indica a primeira coluna de dados.

$ perl -MList::Util=sum -le 'print sum <>' nums.txt

Eu prefiro usar R para isso:

$ R -e 'sum(scan("filename"))'

cat nums | perl -ne '$sum += $_ } { print $sum'

(o mesmo que a resposta de brian d foy, sem 'END')

Mais sucinto:

# Ruby
ruby -e 'puts open("random_numbers").map(&:to_i).reduce(:+)'

# Python
python -c 'print(sum(int(l) for l in open("random_numbers")))'

Perl 6

say sum lines

~$ perl6 -e '.say for 0..1000000' > test.in

~$ perl6 -e 'say sum lines' < test.in
500000500000

Apenas por diversão, vamos fazê-lo com o PDL , o mecanismo matemático de matriz do Perl!

perl -MPDL -E 'say rcols(shift)->sum' datafile

rcolslê colunas em uma matriz (1D neste caso) e sum(surpresa) soma todo o elemento da matriz.

Aqui está uma solução usando python com uma expressão de gerador. Testado com um milhão de números no meu laptop velho e sujo.

time python -c "import sys; print sum((float(l) for l in sys.stdin))" < file

real    0m0.619s
user    0m0.512s
sys     0m0.028s

Eu não podia simplesmente passar por aqui ... Aqui está o meu verso de Haskell. Na verdade, é bastante legível:

sum <$> (read <$>) <$> lines <$> getContents

Infelizmente, não há ghci -ecomo executá-lo, por isso ele precisa da função principal, impressão e compilação.

main = (sum <$> (read <$>) <$> lines <$> getContents) >>= print

Para esclarecer, lemos toda a entrada ( getContents), dividimos por lines, readcomo números e sum. <$>é fmapoperador - nós o usamos em vez da aplicação de função usual, porque com certeza isso tudo acontece no IO. readprecisa de um adicional fmap, porque também está na lista.

$ ghc sum.hs
[1 of 1] Compiling Main             ( sum.hs, sum.o )
Linking sum ...
$ ./sum 
1
2
4
^D
7

Aqui está uma atualização estranha para fazê-lo funcionar com carros alegóricos:

main = ((0.0 + ) <$> sum <$> (read <$>) <$> lines <$> getContents) >>= print

$ ./sum 
1.3
2.1
4.2
^D
7.6000000000000005

sed ':a;N;s/\n/+/;ta' file|bc

Executando scripts R

Eu escrevi um script R para pegar argumentos de um nome de arquivo e somar as linhas.

#! /usr/local/bin/R
file=commandArgs(trailingOnly=TRUE)[1]
sum(as.numeric(readLines(file)))

Isso pode ser acelerado com o pacote "data.table" ou "vroom" da seguinte maneira:

#! /usr/local/bin/R
file=commandArgs(trailingOnly=TRUE)[1]
sum(data.table::fread(file))

#! /usr/local/bin/R
file=commandArgs(trailingOnly=TRUE)[1]
sum(vroom::vroom(file))

avaliação comparativa

Os mesmos dados de benchmarking que @glenn jackman .

for ((i=0; i<1000000; i++)) ; do echo $RANDOM; done > random_numbers

Em comparação com a chamada R acima, a execução do R 3.5.0 como um script é comparável a outros métodos (no mesmo servidor Debian Linux).

$ time R -e 'sum(scan("random_numbers"))'  
 0.37s user
 0.04s system
 86% cpu
 0.478 total

Script R com readLines

$ time Rscript sum.R random_numbers
  0.53s user
  0.04s system
  84% cpu
  0.679 total

Script R com data.table

$ time Rscript sum.R random_numbers     
 0.30s user
 0.05s system
 77% cpu
 0.453 total

Script R com vroom

$ time Rscript sum.R random_numbers     
  0.54s user 
  0.11s system
  93% cpu
  0.696 total

Comparação com outros idiomas

Para referência aqui, como alguns outros métodos sugeridos no mesmo hardware

Python 2 (2.7.13)

$ time python2 -c "import sys; print sum((float(l) for l in sys.stdin))" < random_numbers 
 0.27s user 0.00s system 89% cpu 0.298 total

Python 3 (3.6.8)

$ time python3 -c "import sys; print(sum((float(l) for l in sys.stdin)))" < random_number
0.37s user 0.02s system 98% cpu 0.393 total

Ruby (2.3.3)

$  time ruby -e 'sum = 0; File.foreach(ARGV.shift) {|line| sum+=line.to_i}; puts sum' random_numbers
 0.42s user
 0.03s system
 72% cpu
 0.625 total

Perl (5.24.1)

$ time perl -nle '$sum += $_ } END { print $sum' random_numbers
 0.24s user
 0.01s system
 99% cpu
 0.249 total

Awk (4.1.4)

$ time awk '{ sum += $0 } END { print sum }' random_numbers
 0.26s user
 0.01s system
 99% cpu
 0.265 total
$ time awk '{ sum += $1 } END { print sum }' random_numbers
 0.34s user
 0.01s system
 99% cpu
 0.354 total

C (versão clang 3.3; gcc (Debian 6.3.0-18) 6.3.0)

 $ gcc sum.c -o sum && time ./sum < random_numbers   
 0.10s user
 0.00s system
 96% cpu
 0.108 total

Atualizar com idiomas adicionais

Lua (5.3.5)

$ time lua -e 'sum=0; for line in io.lines() do sum=sum+line end; print(sum)' < random_numbers 
 0.30s user 
 0.01s system
 98% cpu
 0.312 total

tr (8.26) deve ser cronometrado no bash, não compatível com zsh

$time { { tr "\n" + < random_numbers ; echo 0; } | bc; }
real    0m0.494s
user    0m0.488s
sys 0m0.044s

sed (4.4) deve ser cronometrado no bash, não compatível com zsh

$  time { head -n 10000 random_numbers | sed ':a;N;s/\n/+/;ta' |bc; }
real    0m0.631s
user    0m0.628s
sys     0m0.008s
$  time { head -n 100000 random_numbers | sed ':a;N;s/\n/+/;ta' |bc; }
real    1m2.593s
user    1m2.588s
sys     0m0.012s

note: as chamadas sed parecem funcionar mais rapidamente em sistemas com mais memória disponível (observe conjuntos de dados menores usados ​​para comparar o sed)

Julia (0.5.0)

$ time julia -e 'print(sum(readdlm("random_numbers")))'
 3.00s user 
 1.39s system 
 136% cpu 
 3.204 total
$  time julia -e 'print(sum(readtable("random_numbers")))'
 0.63s user 
 0.96s system 
 248% cpu 
 0.638 total

Observe que, como no R, os métodos de E / S do arquivo têm desempenho diferente.

C ++ "one-liner":

#include <iostream>
#include <iterator>
#include <numeric>
using namespace std;

int main() {
    cout << accumulate(istream_iterator<int>(cin), istream_iterator<int>(), 0) << endl;
}

Outro por diversão

sum=0;for i in $(cat file);do sum=$((sum+$i));done;echo $sum

ou apenas outra festança

s=0;while read l; do s=$((s+$l));done<file;echo $s

Mas a solução awk é provavelmente a melhor, pois é mais compacta.

C sempre ganha por velocidade:

#include <stdio.h>
#include <stdlib.h>

int main(int argc, char **argv) {
    ssize_t read;
    char *line = NULL;
    size_t len = 0;
    double sum = 0.0;

    while (read = getline(&line, &len, stdin) != -1) {
        sum += atof(line);
    }

    printf("%f", sum);
    return 0;
}

Tempo para números de 1 milhão (a mesma máquina / entrada que minha resposta em python):

$ gcc sum.c -o sum && time ./sum < numbers 
5003371677.000000
real    0m0.188s
user    0m0.180s
sys     0m0.000s

Com Ruby:

ruby -e "File.read('file.txt').split.inject(0){|mem, obj| mem += obj.to_f}"

Não sei se você pode ficar muito melhor do que isso, considerando que precisa ler o arquivo inteiro.

$sum = 0;
while(<>){
   $sum += $_;
}
print $sum;

Eu não testei isso, mas deve funcionar:

cat f | tr "\n" "+" | sed 's/+$/\n/' | bc

Talvez você precise adicionar "\ n" à string antes de bc (como via eco) se bc não tratar EOF e EOL ...

Aqui está outro:

open(FIL, "a.txt");

my $sum = 0;
foreach( <FIL> ) {chomp; $sum += $_;}

close(FIL);

print "Sum = $sum\n";

Você pode fazer isso com o Alacon - utilitário de linha de comando do banco de dados Alasql .

Funciona com o Node.js, então você precisa instalar o Node.js e o pacote Alasql :

Para calcular a soma do arquivo TXT, você pode usar o seguinte comando:

> node alacon "SELECT VALUE SUM([0]) FROM TXT('mydata.txt')"

Não é mais fácil substituir todas as novas linhas +, adicionar a 0e enviá-lo ao Rubyintérprete?

(sed -e "s/$/+/" file; echo 0)|irb

Se você não tiver irb, poderá enviá-lo para bc, mas precisará remover todas as novas linhas, exceto a última (de echo). É melhor usar trisso, a menos que você tenha um doutorado sed.

(sed -e "s/$/+/" file|tr -d "\n"; echo 0)|bc

Em Go:

package main

import (
    "bufio"
    "fmt"
    "os"
    "strconv"
)

func main() {
    scanner := bufio.NewScanner(os.Stdin)
    sum := int64(0)
    for scanner.Scan() {
        v, err := strconv.ParseInt(scanner.Text(), 10, 64)
        if err != nil {
            fmt.Fprintf(os.Stderr, "Not an integer: '%s'\n", scanner.Text())
            os.Exit(1)
        }
        sum += v
    }
    fmt.Println(sum)
}

Variante Bash

raw=$(cat file)
echo $(( ${raw//$'\n'/+} ))

$ wc -l file
10000 file

$ time ./test
323390

real    0m3,096s
user    0m3,095s
sys     0m0,000s

No shell usando o awk, usei o script abaixo para fazer isso:

    #!/bin/bash


total=0;

for i in $( awk '{ print $1; }' <myfile> )
do
 total=$(echo $total+$i | bc )
 ((count++))
done
echo "scale=2; $total " | bc