最近在为机器学习结合推荐算法的优化方法和数据来源想办法。抱着学习的态度继续解读19-AnalytiCup的冠军源码。

第一部分itemcf解读的连接：https://www.cnblogs.com/missouter/p/12701875.html

第二、三部分主要是特征提取和排序。在这篇博客中将作展开。

1、generate_static_features.ipynb 标题简洁明了 提取静态特征

import pandas as pd

import numpy as np

def reduce_mem_usage(df):

    """ iterate through all the columns of a dataframe and modify the data type

        to reduce memory usage.

    """

    start_mem = df.memory_usage().sum()

    print('Memory usage of dataframe is {:.2f} MB'.format(start_mem))

    for col in df.columns:

        col_type = df[col].dtype

        if col_type != object:

            c_min = df[col].min()

            c_max = df[col].max()

            if str(col_type)[:3] == 'int':

                if c_min > np.iinfo(np.int8).min and c_max < np.iinfo(np.int8).max:

                    df[col] = df[col].astype(np.int8)

                elif c_min > np.iinfo(np.int16).min and c_max < np.iinfo(np.int16).max:

                    df[col] = df[col].astype(np.int16)

                elif c_min > np.iinfo(np.int32).min and c_max < np.iinfo(np.int32).max:

                    df[col] = df[col].astype(np.int32)

                elif c_min > np.iinfo(np.int64).min and c_max < np.iinfo(np.int64).max:

                    df[col] = df[col].astype(np.int64)

            else:

                if c_min > np.finfo(np.float16).min and c_max < np.finfo(np.float16).max:

                    df[col] = df[col].astype(np.float16)

                elif c_min > np.finfo(np.float32).min and c_max < np.finfo(np.float32).max:

                    df[col] = df[col].astype(np.float32)

                else:

                    df[col] = df[col].astype(np.float64)

        else:

            df[col] = df[col].astype('category')

    end_mem = df.memory_usage().sum()

    print('Memory usage after optimization is: {:.2f} MB'.format(end_mem))

    print('Decreased by {:.1f}%'.format(100 * (start_mem - end_mem) / start_mem))

    return df

def load_data(path):

    user = reduce_mem_usage(pd.read_csv(path + 'user.csv',header=None))

    item = reduce_mem_usage(pd.read_csv(path + 'item.csv',header=None))

    data = pd.read_csv(path + 'user_behavior.csv',header=None)

    data.columns = ['userID','itemID','behavior','timestamp']

    data['day'] = data['timestamp'] // 86400

    data['hour'] = data['timestamp'] // 3600 % 24

    ## 生成behavior的onehot

    for i in ['pv','fav','cart','buy']:

        data[i] = 0

        data.loc[data['behavior'] == i, i] = 1

    ## 生成behavior的加权

    data['day_hour'] = data['day'] + data['hour'] / float(24)

    data.loc[data['behavior']=='pv','behavior'] = 1

    data.loc[data['behavior']=='fav','behavior'] = 2

    data.loc[data['behavior']=='cart','behavior'] = 3

    data.loc[data['behavior']=='buy','behavior'] = 1

    max_day = max(data['day'])

    min_day = min(data['day'])

    data['behavior'] = (1 - (max_day-data['day_hour']+2)/(max_day-min_day+2)) * data['behavior'] 

    item.columns = ['itemID','category','shop','brand']

    user.columns = ['userID','sex','age','ability']

    data = reduce_mem_usage(data)

    data = pd.merge(left=data, right=item, on='itemID',how='left')

    data = pd.merge(left=data, right=user, on='userID',how='left')

    return user, item, data

读取数据内存优化这块已经是老生常谈。loaddata()函数顺便完成了对各类行为权重的转换，值得一提的是购买权重被分配为1.而浏览、收藏等行为则被分配为1、2、3；目的是为了不向顾客推荐已购买过的商品。

主函数部分：

path = '../ECommAI_EUIR_round2_train_20190816/'

user, item, data = load_data(path = path)

for count_feature in ['itemID', 'shop', 'category','brand']:

    data[['behavior', count_feature]].groupby(count_feature, as_index=False).agg(

        {'behavior':'count'}).rename(columns={'behavior':count_feature + '_count'}).to_csv(str(count_feature)+'_count.csv', index=False)

for count_feature in ['itemID', 'shop', 'category','brand']:

    data[['behavior', count_feature]].groupby(count_feature, as_index=False).agg(

        {'behavior':'sum'}).rename(columns={'behavior':count_feature + '_sum'}).to_csv(str(count_feature)+'_sum.csv', index=False)

确定路径后，对item、shop、category与brand的特征进行提取。使用groupby().agg()分别提取用户行为权重的次数与累加和（agg参数'count'与'sum'）。生成文件分别储存于csv文件中。

temp = data[['behavior','category']].groupby('category', as_index=False).agg({'behavior': ['median','std','skew']})

temp.columns = ['category','category_median','category_std','category_skew']

temp.to_csv('category_higher.csv',index=False)

temp = data[['behavior','itemID']].groupby('itemID', as_index=False).agg({'behavior': ['median','std','skew']})

temp.columns = ['itemID','itemID_median','itemID_std','itemID_skew']

temp.to_csv('itemID_higher.csv',index=False)

上述代码使用groupby().agg()提取每个单独category、单独id的行为中值、标准差与偏斜。

data['age'] = data['age'] // 10

train = data[data['day'] < 15]

for count_feature in ['sex','ability','age']:

    data[['behavior','itemID',count_feature]].groupby(['itemID', count_feature], as_index=False).agg(

        {'behavior': 'count'}).rename(columns={'behavior':'user_to_'

                                               + count_feature + '_count'}).to_csv('item_to_' + str(count_feature)+'_count_online.csv', index=False)

这段以每个用户的基本数据（性别、对推荐系统的影响力、年龄）为基准，对其对应的行为次数进行特征提取。

itemcount = pd.read_csv('itemID_count.csv')

temp = pd.merge(left=item, right=itemcount, how='left', on='itemID')

item_rank = []

for eachcat in temp.groupby('category'):

    each_df = eachcat[1].sort_values('itemID_count', ascending=False).reset_index(drop=True)

    each_df['rank'] = each_df.index + 1

    lenth = each_df.shape[0]

    each_df['rank_percent'] = (each_df.index + 1) / lenth

    item_rank.append(each_df[['itemID','rank','rank_percent']])

使用merge对item与item的行为次数进行拼接。使用groupby按照商品类别进行分类。每个类别内商品按照商品的行为次数进行排序，算出商品的类内排名与排名百分比，

item_rank = pd.concat(item_rank, sort=False)

item_rank.to_csv('item_rank.csv',index=False)

将生成的类内排序使用concat()去除多余标签，写入文件。

def unique_count(x):

    return len(set(x))

cat1 = item.groupby('category',as_index=False).agg({'itemID': unique_count}).rename(columns={'itemID':'itemnum_undercat'})

cat2 = item.groupby('category',as_index=False).agg({'brand': unique_count}).rename(columns={'brand':'brandnum_undercat'})

cat3 = item.groupby('category',as_index=False).agg({'shop': unique_count}).rename(columns={'shop':'shopnum_undercat'})

pd.concat([cat1, cat2[['brandnum_undercat']], cat3[['shopnum_undercat']]], axis=1).to_csv('category_lower.csv',index=False)

这里先定义一个统计集合内元素数量的函数，应用在agg()中作为参数，用groupby以类别进行分类，统计每个类别中商品、品牌与商家的数量，写入csv文件。

2、generate_dynamic_feature.ipynb  提取动态特征

import pandas as pd

import numpy as np

def reduce_mem_usage(df):

    """ iterate through all the columns of a dataframe and modify the data type

        to reduce memory usage.

    """

    start_mem = df.memory_usage().sum()

    print('Memory usage of dataframe is {:.2f} MB'.format(start_mem))

    for col in df.columns:

        col_type = df[col].dtype

        if col_type != object:

            c_min = df[col].min()

            c_max = df[col].max()

            if str(col_type)[:3] == 'int':

                if c_min > np.iinfo(np.int8).min and c_max < np.iinfo(np.int8).max:

                    df[col] = df[col].astype(np.int8)

                elif c_min > np.iinfo(np.int16).min and c_max < np.iinfo(np.int16).max:

                    df[col] = df[col].astype(np.int16)

                elif c_min > np.iinfo(np.int32).min and c_max < np.iinfo(np.int32).max:

                    df[col] = df[col].astype(np.int32)

                elif c_min > np.iinfo(np.int64).min and c_max < np.iinfo(np.int64).max:

                    df[col] = df[col].astype(np.int64)

            else:

                if c_min > np.finfo(np.float16).min and c_max < np.finfo(np.float16).max:

                    df[col] = df[col].astype(np.float16)

                elif c_min > np.finfo(np.float32).min and c_max < np.finfo(np.float32).max:

                    df[col] = df[col].astype(np.float32)

                else:

                    df[col] = df[col].astype(np.float64)

        else:

            df[col] = df[col].astype('category')

    end_mem = df.memory_usage().sum()

    print('Memory usage after optimization is: {:.2f} MB'.format(end_mem))

    print('Decreased by {:.1f}%'.format(100 * (start_mem - end_mem) / start_mem))

    return df

def load_data(path):

    user = reduce_mem_usage(pd.read_csv(path + 'user.csv',header=None))

    item = reduce_mem_usage(pd.read_csv(path + 'item.csv',header=None))

    data = pd.read_csv(path + 'user_behavior.csv',header=None)

    data.columns = ['userID','itemID','behavior','timestamp']

    data['day'] = data['timestamp'] // 86400

    data['hour'] = data['timestamp'] // 3600 % 24

    ## 生成behavior的onehot

    for i in ['pv','fav','cart','buy']:

        data[i] = 0

        data.loc[data['behavior'] == i, i] = 1

    ## 生成behavior的加权

    data['day_hour'] = data['day'] + data['hour'] / float(24)

    data.loc[data['behavior']=='pv','behavior'] = 1

    data.loc[data['behavior']=='fav','behavior'] = 2

    data.loc[data['behavior']=='cart','behavior'] = 3

    data.loc[data['behavior']=='buy','behavior'] = 1

    max_day = max(data['day'])

    min_day = min(data['day'])

    data['behavior'] = (1 - (max_day-data['day_hour']+2)/(max_day-min_day+2)) * data['behavior'] 

    item.columns = ['itemID','category','shop','brand']

    user.columns = ['userID','sex','age','ability']

    data = reduce_mem_usage(data)

    data = pd.merge(left=data, right=item, on='itemID',how='left')

    data = pd.merge(left=data, right=user, on='userID',how='left')

    return user, item, data

与静态特征提取一样。

主函数部分：

#path = '..\\data\\'

path = '../ECommAI_EUIR_round2_train_20190816/'

user, item, data = load_data(path = path)

train = data[data['day'] < 15]

online_features = []

for count_feature in ['category','shop','brand']:

    train[['behavior','userID',count_feature]].groupby(['userID', count_feature], as_index=False).agg(

        {'behavior': 'count'}).rename(columns={'behavior':'user_to_'

                                               + count_feature + '_count'}).to_csv('user_to_' + str(count_feature)+'_count.csv', index=False)

for count_feature in ['category','shop','brand']:

    train[['behavior','userID',count_feature]].groupby(['userID', count_feature], as_index=False).agg(

        {'behavior': 'sum'}).rename(columns={'behavior':'user_to_'

                                             + count_feature + '_sum'}).to_csv('user_to_' + str(count_feature)+'_sum.csv', index=False)

for count_feature in ['category','shop','brand']:

    for behavior_type in ['pv','fav','cart','buy']:

        train[[behavior_type,'userID',count_feature]].groupby(['userID', count_feature], as_index=False).agg(

            {behavior_type: 'sum'}).rename(columns={behavior_type:'user_to_'

                                                   + count_feature + '_count_' + behavior_type}).to_csv('user_to_' + str(count_feature) + '_count_' + behavior_type + '.csv', index=False)

将过去十五天的用户数据进行特征提取。同第一个文件一样的特征提取方式，只不过第二步提取的主体是用户。分别对用户与其产生行为的类别、商家与品牌进行次数、行为加权的特征提取。再对用户的四种行为类型与类别、商家与品牌进行累加和（次数？但它agg参数使用了sum）提取。最后写入csv文件。

yestday = data[data['day'] == ]

for count_feature in ['category','shop','brand']:

    yestday[['behavior','userID',count_feature]].groupby(['userID', count_feature], as_index=False).agg(

        {'behavior': 'count'}).rename(columns={'behavior':'user_to_'

                                               + count_feature + '_count_yestday'}).to_csv('user_to_' + str(count_feature)+'_count_yestday.csv', index=False)

for count_feature in ['category','shop','brand']:

    for behavior_type in ['pv','fav','cart','buy']:

        yestday[[behavior_type,'userID',count_feature]].groupby(['userID', count_feature], as_index=False).agg(

            {behavior_type: 'sum'}).rename(columns={behavior_type:'user_to_'

                                                   + count_feature + '_count_' + behavior_type+'_yestday'}).to_csv('user_to_' + str(count_feature) + '_count_' + behavior_type + '_yestday.csv', index=False)

单独对昨天的用户数据进行提取，针对行为次数与类别写入csv文件。

a5days = data[(data['day'] >  - ) & (data['day'] < )]

for count_feature in ['category','shop','brand']:

    a5days[['behavior','userID',count_feature]].groupby(['userID', count_feature], as_index=False).agg(

        {'behavior': 'count'}).rename(columns={'behavior':'user_to_'

                                               + count_feature + '_count_5days'}).to_csv('user_to_' + str(count_feature)+'_count_5days.csv', index=False)

for count_feature in ['category','shop','brand']:

    for behavior_type in ['pv','fav','cart','buy']:

        a5days[[behavior_type,'userID',count_feature]].groupby(['userID', count_feature], as_index=False).agg(

            {behavior_type: 'sum'}).rename(columns={behavior_type:'user_to_'

                                                   + count_feature + '_count_' + behavior_type+'_5days'}).to_csv('user_to_' + str(count_feature) + '_count_' + behavior_type + '_5days.csv', index=False)

针对近五天的用户数据进行提取，针对行为次数与类别写入csv文件。

start_timestamp  = max(data[data['day'] < 15]['timestamp'])

time_features = []

test = data[data['day'] < 15]

for time_feature in ['shop', 'category','brand']:

    time_features.append(test[['last_time','userID',time_feature,'day']].groupby(['userID',time_feature], as_index=False).agg({'last_time': 'min', 'day':'max'}).rename(columns={'last_time': 'user_to_'+ time_feature + '_lasttime', 'day':'user_to_'+ time_feature + '_lastday'}))

for f in time_features:

    f.to_csv(str(f.columns[2])+'.csv', index=False)

for f in time_features:

    print(str(f.columns[2])+'.csv')

对每个用户访问商户、品牌与类别的最新时间进行提取，写入csv中。

for count_feature in ['sex','ability','age']:

    train[['behavior','itemID',count_feature]].groupby(['itemID', count_feature], as_index=False).agg(

        {'behavior': 'count'}).rename(columns={'behavior':'user_to_'+ count_feature + '_count'}).to_csv('item_to_' + str(count_feature)+'_count.csv', index=False)

最后以每个用户的基本数据（性别、对推荐系统的影响力、年龄）为基准，对其对应的行为次数进行特征提取，生成一个与第一步对应的线下特征文件。

3、generate_time_feature.ipynb 提取时间特征

def reduce_mem_usage(df):

    """ iterate through all the columns of a dataframe and modify the data type

        to reduce memory usage.

    """

    start_mem = df.memory_usage().sum()

    print('Memory usage of dataframe is {:.2f} MB'.format(start_mem))

    for col in df.columns:

        col_type = df[col].dtype

        if col_type != object:

            c_min = df[col].min()

            c_max = df[col].max()

            if str(col_type)[:3] == 'int':

                if c_min > np.iinfo(np.int8).min and c_max < np.iinfo(np.int8).max:

                    df[col] = df[col].astype(np.int8)

                elif c_min > np.iinfo(np.int16).min and c_max < np.iinfo(np.int16).max:

                    df[col] = df[col].astype(np.int16)

                elif c_min > np.iinfo(np.int32).min and c_max < np.iinfo(np.int32).max:

                    df[col] = df[col].astype(np.int32)

                elif c_min > np.iinfo(np.int64).min and c_max < np.iinfo(np.int64).max:

                    df[col] = df[col].astype(np.int64)

            else:

                if c_min > np.finfo(np.float16).min and c_max < np.finfo(np.float16).max:

                    df[col] = df[col].astype(np.float16)

                elif c_min > np.finfo(np.float32).min and c_max < np.finfo(np.float32).max:

                    df[col] = df[col].astype(np.float32)

                else:

                    df[col] = df[col].astype(np.float64)

        else:

            df[col] = df[col].astype('category')

    end_mem = df.memory_usage().sum()

    print('Memory usage after optimization is: {:.2f} MB'.format(end_mem))

    print('Decreased by {:.1f}%'.format(100 * (start_mem - end_mem) / start_mem))

    return df

def load_data(path):

    user = reduce_mem_usage(pd.read_csv(path + 'user.csv',header=None))

    item = reduce_mem_usage(pd.read_csv(path + 'item.csv',header=None))

    data = pd.read_csv(path + 'user_behavior.csv',header=None)

    data.columns = ['userID','itemID','behavior','timestamp']

    data['day'] = data['timestamp'] // 86400

    data['hour'] = data['timestamp'] // 3600 % 24

    ## 生成behavior的onehot

    for i in ['pv','fav','cart','buy']:

        data[i] = 0

        data.loc[data['behavior'] == i, i] = 1

    ## 生成behavior的加权

    data['day_hour'] = data['day'] + data['hour'] / float(24)

    data.loc[data['behavior']=='pv','behavior'] = 1

    data.loc[data['behavior']=='fav','behavior'] = 2

    data.loc[data['behavior']=='cart','behavior'] = 3

    data.loc[data['behavior']=='buy','behavior'] = 1

    max_day = max(data['day'])

    min_day = min(data['day'])

    data['behavior'] = (1 - (max_day-data['day_hour']+2)/(max_day-min_day+2)) * data['behavior'] 

    item.columns = ['itemID','category','shop','brand']

    user.columns = ['userID','sex','age','ability']

    data = reduce_mem_usage(data)

    data = pd.merge(left=data, right=item, on='itemID',how='left')

    data = pd.merge(left=data, right=user, on='userID',how='left')

    return user, item, data

一样的读取步骤。

path = '../ECommAI_EUIR_round2_train_20190816/'

user, item, data = load_data(path = path)

train = data[data['day'] < 15]

start_timestamp  = max(train['timestamp'])

train['last_time'] = start_timestamp - train['timestamp']

timefeatures = []

for time_feature in ['itemID', 'shop', 'category','brand']:

    name = time_feature + '_last_time_underline.csv'

    tf = train[['last_time', time_feature]].groupby(

        time_feature, as_index=False).agg({'last_time':'min'}).rename(columns={'last_time': time_feature + 'last_time'})

    tf[time_feature + 'last_time_hour_ed'] = tf[time_feature + 'last_time'] // 3600 % 24

    timefeatures.append((name, tf))

for f in timefeatures:

    f[1].to_csv(f[0], index=False)

这里作者演示了一种提取某个商品/店铺/类别/品牌 距离第15、16天的最后一次点击的方法。通过计算最大时间戳减去每个访问的时间戳得到last_time，通过groupby()分类，agg()提取最小的last_time列得到最后一次点击的商品。

至此，特征提取的源码分析就结束了。这部分的代码给我的感觉是groupby().agg()使用的非常熟练老道，特征工程的构建有很多值得学习的地方。

源码直接跑起来会出现一些意想不到的bug，我们非常感谢原作者薛传雨提供的帮助。

推荐算法_CIKM-2019-AnalytiCup 冠军源码解读_2的更多相关文章

  1. 推荐算法_CIKM-2019-AnalytiCup 冠军源码解读

    最近在帮一初创app写推荐系统,顺便学习一波用户兴趣高速检索的冠军算法. 写总结前贴出冠军代码的git地址:https://github.com/ChuanyuXue/CIKM-2019-Analyt ...

  2. 量化交易中VWAP/TWAP算法的基本原理和简单源码实现（C++和python）（转）

    量化交易中VWAP/TWAP算法的基本原理和简单源码实现(C++和python) 原文地址:http://blog.csdn.net/u012234115/article/details/728300 ...

  3. [算法1-排序]（.NET源码学习）& LINQ & Lambda

    [算法1-排序](.NET源码学习)& LINQ & Lambda 说起排序算法,在日常实际开发中我们基本不在意这些事情,有API不用不是没事找事嘛.但必要的基础还是需要了解掌握. 排 ...

  4. 为什么不推荐Python初学者直接看项目源码

    无论是有没有其他语言的经验,入门Python都很简单.Python拥有简单直观的语法,方便的语法糖,以及丰富的第三方库.只要一个基础的Python教程,大家基本上都能无障碍的入门.在入门之后,很多人对 ...

  5. AFNetworking 3.0 源码解读 总结（干货）（上）

    养成记笔记的习惯,对于一个软件工程师来说,我觉得很重要.记得在知乎上看到过一个问题,说是人类最大的缺点是什么?我个人觉得记忆算是一个缺点.它就像时间一样,会自己消散. 前言 终于写完了 AFNetwo ...

  6. AFNetworking 3.0 源码解读 总结

    终于写完了 AFNetworking 的源码解读.这一过程耗时数天.当我回过头又重头到尾的读了一篇,又有所收获.不禁让我想起了当初上学时的种种情景.我们应该对知识进行反复的记忆和理解.下边是我总结的 ...

  7. Restful 1 -- REST、DRF(View源码解读、APIView源码解读)及框架实现

    一.REST 1.什么是编程? 数据结构和算法的结合 2.什么是REST? - url用来唯一定位资源,http请求方式来区分用户行为 首先回顾我们曾经做过的图书管理系统,我们是这样设计url的,如下 ...

  8. AFNetworking 3.0 源码解读（十一）之 UIButton/UIProgressView/UIWebView + AFNetworking

    AFNetworking的源码解读马上就结束了,这一篇应该算是倒数第二篇,下一篇会是对AFNetworking中的技术点进行总结. 前言 上一篇我们总结了 UIActivityIndicatorVie ...

  9. AFNetworking 3.0 源码解读（十）之 UIActivityIndicatorView/UIRefreshControl/UIImageView + AFNetworking

    我们应该看到过很多类似这样的例子:某个控件拥有加载网络图片的能力.但这究竟是怎么做到的呢?看完这篇文章就明白了. 前言 这篇我们会介绍 AFNetworking 中的3个UIKit中的分类.UIAct ...

随机推荐

  1. 使用snapjs实现svg路径描边动画

    一,snap.svg插件在近几天,突然接到一个需求,内容是要在网页上写一个路径的动画,还需要可以随意控制动画的速度,开始于结束,本来是一个图片可以解决的问题,结果就这样变难了呀,在网上查一会之后,突然 ...

  2. python爬取《龙岭迷窟》的数据，看看质量剧情还原度到底怎么样

    前言 文的文字及图片来源于网络,仅供学习.交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理. 作者:简单 PS:如有需要Python学习资料的小伙伴可以加点击下方链接自行 ...

  3. HBase可用性分析与高可用实践

    HBase作为一个分布式存储的数据库,它是如何保证可用性的呢?对于分布式系统的CAP问题,它是如何权衡的呢? 最重要的是,我们在生产实践中,又应该如何保证HBase服务的高可用呢? 下面我们来仔细分析 ...

  4. 记使用STL与unique_ptr造成的事故-段子类比

    最近由于业务需要在写内存池子时遇到了一个doule-free的问题.折腾半个晚上以为自己的眼睛花了.开始以为是编译器有问题(我也是够自信的),但是在windows下使用qtcreator vs2017 ...

  5. Spark SQL源码解析（三）Analysis阶段分析

    Spark SQL原理解析前言: Spark SQL源码剖析(一)SQL解析框架Catalyst流程概述 Spark SQL源码解析(二)Antlr4解析Sql并生成树 Analysis阶段概述 首先 ...

  6. ubuntu下载速度慢的解决办法--修改下载源

    操作:https://blog.csdn.net/qq_24326765/article/details/81916222 推荐源:https://blog.csdn.net/qq_36328643/ ...

  7. Python获取当前 年 月 日

    import datetime datetime.datetime.now().year datetime.datetime.now().month datetime.datetime.now().d ...

  8. Cannot find libcrypto in Ubuntu

    https://stackoverflow.com/questions/13811889/cannot-find-libcrypto-in-ubuntu sudo apt-get install li ...

  9. Mybatis 使用 SQL 递归获取单表中的树结构

    xml 代码 <resultMap type="xxx.xxx.xxx.xxx.实体类" id="xxxListTree"> <result ...

  10. 【Linux常见命令】paste命令

    paste - merge lines of files paste 命令用于合并文件的列. paste 指令会把每个文件以列对列的方式,一列列地加以合并. 语法: paste [OPTION]... ...