Como contar as ocorrências de cada personagem?

Por exemplo, eu tenho um arquivo 1.txtque contém:

Moscow
Astana
Tokyo
Ottawa

Quero contar o número de todos os caracteres como:

a - 4,
b - 0,
c - 1,
...
z - 0

Você poderia usar isto:

sed 's/\(.\)/\1\n/g' 1.txt | sort | uniq -ic
  4  
  5 a
  1 c
  1 k
  1 M
  1 n
  5 o
  2 s
  4 t
  2 w
  1 y

A sedpeça coloca uma nova linha após cada caractere. Então nós saímos em sortordem alfabética. E finalmente uniqconta o número de ocorrências. O -isinalizador de uniqpode ser omitido se você não desejar distinção entre maiúsculas e minúsculas.

Um pouco tarde, mas para concluir o conjunto, outra abordagem python (3), classificou o resultado:

#!/usr/bin/env python3
import sys

chars = open(sys.argv[1]).read().strip().replace("\n", "")
[print(c+" -", chars.count(c)) for c in sorted(set([c for c in chars]))]

A - 1
M - 1
O - 1
T - 1
a - 4
c - 1
k - 1
n - 1
o - 4
s - 2
t - 3
w - 2
y - 1

Explicação

1. Leia o arquivo, pule os espaços e retorne como "caracteres":

   chars = open(sys.argv[1]).read().strip().replace("\n", "")

2. Crie um conjunto (classificado) de únicos:

   sorted(set([c for c in chars]))

3. Conte e imprima a ocorrência para cada um dos caracteres:

   print(c+" -", chars.count(c)) for c in <uniques>

Como usar

1. Cole o código em um arquivo vazio, salve-o como chars_count.py

2. Execute-o com o arquivo como argumento:

   /path/to/chars_count.py </path/to/file>

   se o script for executável ou:

   python3 /path/to/chars_count.py </path/to/file>

   se não é

Por padrão em awk o F ield S eparator (FS) é espaço ou guia . Como queremos contar cada caractere, teremos que redefinir o FS para nothing ( FS="") para dividir cada caractere em uma linha separada e salvá-lo em uma matriz e, no final do END{..}bloco interno , imprima suas ocorrências totais com o seguinte comando awk :

$ awk '{for (i=1;i<=NF;i++) a[$i]++} END{for (c in a) print c,a[c]}' FS="" file
A 1
M 1
O 1
T 1
a 4
c 1
k 1
n 1
o 4
s 2
t 3
w 2
y 1

No {for (i=1;i<=NF;i++) a[$i]++} ... FS="" ...bloco, apenas dividimos os caracteres. E,
no END{for (c in a) print c,a[c]}bloco, estamos fazendo um loop para organizar ae imprimir os caracteres salvos nele print ce seu número de ocorrênciasa[c]

Faça um forloop para todos os caracteres que você deseja contar e use grep -iopara obter todas as ocorrências do caractere e do caso de ignição, além wc -lde contar instâncias e imprimir o resultado.

Como isso:

#!/bin/bash

filename="1.txt"

for char in {a..z}
do
    echo "${char} - `grep -io "${char}" ${filename} | wc -l`,"
done

O script gera isso:

a - 5,
b - 0,
c - 1,
d - 0,
e - 0,
f - 0,
g - 0,
h - 0,
i - 0,
j - 0,
k - 1,
l - 0,
m - 1,
n - 1,
o - 5,
p - 0,
q - 0,
r - 0,
s - 2,
t - 4,
u - 0,
v - 0,
w - 2,
x - 0,
y - 1,
z - 0,

EDITAR após o comentário

Para criar um loop para todos os caracteres imprimíveis, você pode fazer isso:

#!/bin/bash

filename="a.txt"

for num in {32..126}
do
   char=`printf "\x$(printf %x ${num})"`
   echo "${char} - `grep -Fo "${char}" ${filename} | wc -l`,"
done

Isso contará todos os caracteres ANSI de 32 a 126 - esses são os mais legíveis. Observe que isso não usa ignorar maiúsculas e minúsculas.

a saída disso será:

- 0,
! - 0,
" - 0,
# - 0,
$ - 0,
% - 0,
& - 0,
' - 0,
( - 0,
) - 0,
* - 0,
+ - 0,
, - 0,
- - 0,
. - 0,
/ - 0,
0 - 0,
1 - 0,
2 - 0,
3 - 0,
4 - 0,
5 - 0,
6 - 0,
7 - 0,
8 - 0,
9 - 0,
: - 0,
; - 0,
< - 0,
= - 0,
> - 0,
? - 0,
@ - 0,
A - 1,
B - 0,
C - 0,
D - 0,
E - 0,
F - 0,
G - 0,
H - 0,
I - 0,
J - 0,
K - 0,
L - 0,
M - 1,
N - 0,
O - 1,
P - 0,
Q - 0,
R - 0,
S - 0,
T - 1,
U - 0,
V - 0,
W - 0,
X - 0,
Y - 0,
Z - 0,
[ - 0,
\ - 0,
] - 0,
^ - 0,
_ - 0,
` - 0,
a - 4,
b - 0,
c - 1,
d - 0,
e - 0,
f - 0,
g - 0,
h - 0,
i - 0,
j - 0,
k - 1,
l - 0,
m - 0,
n - 1,
o - 4,
p - 0,
q - 0,
r - 0,
s - 2,
t - 3,
u - 0,
v - 0,
w - 2,
x - 0,
y - 1,
z - 0,
{ - 0,
| - 0,
} - 0,
~ - 0,

Aqui outra solução (em awk) ...

awk '
        { for (indx=length($0); indx >= 1; --indx)
                ++chars[tolower(substr($0, indx, 1))]
        }
END     { for (c in chars) print c, chars[c]; }
' 1.txt | sort

• Ele cria uma matriz associativa com cada caractere como valor do índice e a contagem como valor da matriz.
• A ação END imprime a matriz.

O perloneliner a seguir fará a contagem. Coloquei o regex no contexto da lista (para obter o número de correspondências) e o coloquei no contexto escalar:

$ perl -e '$a=join("",<>);for("a".."z"){$d=()=$a=~/$_/gi;print"$_ - $d,\n"}' 1.txt
a - 5,
b - 0,
c - 1,
d - 0,
e - 0,
f - 0,
g - 0,
h - 0,
i - 0,
j - 0,
k - 1,
l - 0,
m - 1,
n - 1,
o - 5,
p - 0,
q - 0,
r - 0,
s - 2,
t - 4,
u - 0,
v - 0,
w - 2,
x - 0,
y - 1,
z - 0,

Aqui está uma solução usando Python:

#!/usr/bin/env python2
import collections, string
with open('1.txt') as f:
    input_string = f.read().replace('\n', '').lower()
    count_dict = collections.Counter(input_string)
    for char in string.lowercase:
        print char + ' - ' + str(count_dict[char]) + ','

Aqui, usamos a classe collectionsdo módulo Counterpara contar o número de ocorrências de cada caractere; em seguida, para fins de impressão, usamos o stringmódulo para obter todas as letras minúsculas pela variávelstring.lowercase .

Salve o script acima em um arquivo, com o nome desejado, por exemplo count.py. Agora, no mesmo diretório em que o arquivo é salvo, você pode simplesmente executar python count.pypara executá-lo; em qualquer outro diretório, use o caminho absoluto para o arquivo para executá-lo, ou seja python /absolute/path/to/count.py.

Há um tempo atrás, escrevi um programa em C para fazer isso, porque precisava examinar arquivos grandes e produzir algumas estáticas.

#include <stdlib.h>
#include <stdint.h>
#include <stdio.h>
#include <ctype.h>
#include <limits.h>
#include <math.h>
#include <sysexits.h>


inline static double square(double x)
{
    return x * x;
}


int main()
{
    static const unsigned distribution_size = 1 << CHAR_BIT;

    int rv = EX_OK;
    uintmax_t *distribution = calloc(distribution_size, sizeof(*distribution));

    {
        int c;
        while ((c = getchar()) != EOF)
            distribution[c]++;

        if (ferror(stdin)) {
            perror("I/O error on standard input");
            rv = EX_IOERR;
        }
    }

    uintmax_t sum = 0;
    for (unsigned i = 0; i != distribution_size; i++)
        sum += distribution[i];
    double avg = (double) sum / distribution_size;

    double var_accum = 0.0;
    for (unsigned i = 0; i != distribution_size; i++)
    {
        const uintmax_t x = distribution[i];

        printf("'%c' (%02X): %20ju", isprint((int) i) ? i : ' ', i, x);
        if (x != 0) {
            var_accum += square((double) x - avg);
            printf(" (%+.2e %%)\n", ((double) x / avg - 1.0) * 100.0);
        } else {
            var_accum += square(avg);
            putchar('\n');
        }
    }

    double stdev = sqrt(var_accum / distribution_size);
    double varcoeff = stdev / avg;
    printf(
        "total: %ju\n"
        "average: %e\n"
        "standard deviation: %e\n"
        "variation coefficient: %e\n",
        sum, avg, stdev, varcoeff);

    free(distribution);
    return rv;
}

compile com (assumindo que o código fonte reside em character-distribution.c):

cc -std=c99 -O2 -g0 -o character-distribution character-distribution.c

correr com:

./character-distribution < 1.txt

Se você não possui um compilador C pronto, instale o GCC:

sudo apt-get install gcc build-essential

Solução semelhante ao @heemayl, com código mais rígido, que funciona no Python 2.7 e Python 3.

#!/usr/bin/python

import collections
import fileinput
import itertools
import string

count = collections.Counter(itertools.chain(*fileinput.input()))
print(',\n'.join('{} - {}'.format(c, count[c] + count[c.upper()])
                 for c in string.ascii_lowercase))

A primeira afirmação count = collections.Counter(…)faz todo o trabalho real.

• fileinput.input() lê todas as linhas da entrada, que podem ser canalizadas via stdin ou como argumentos da linha de comando.
• * faz com que considere um personagem de cada vez, e não uma linha de cada vez.
• count = Counter(…)conta ocorrências de cada caractere de forma eficiente, em uma única passagem e armazena o resultado na countvariável

A segunda linha apenas imprime os resultados.

• '{} - {}'.format(c, count[c] + count[c.upper()]) for c in string.ascii_lowercase faz uma lista de cada personagem e sua contagem.
• print(',\n'.join(…)) coloca no formato desejado: um por linha, separado por vírgulas, mas sem vírgula na última linha.

GNU awk 4.1

awk -iwalkarray '{for (;NF;NF--) b[$NF]++} END {walk_array(b)}' FS=

[A] = 1
[O] = 1
[w] = 2
[k] = 1
[y] = 1
[T] = 1
[n] = 1
[a] = 4
[o] = 4
[c] = 1
[s] = 2
[t] = 3
[M] = 1

Se você possui uma versão anterior do GNU awk, pode usá-lo for (c in b) print c, b[c].

Aqui está a resposta usando ruby. Isso é feito alterando a string para uma lista uniq dos diferentes caracteres e usando o método count em cada um deles.

#!/usr/bin/env ruby

String content = IO.read("1.txt")
content.split("").uniq.sort.each { |chr| puts( chr + ' - ' + content.count(chr).to_s) }