Se vuoi un po 'di velocità reale:
echo 'int cache[256],x,y;char buf[4096],letters[]="tacgn-"; int main(){while((x=read(0,buf,sizeof buf))>0)for(y=0;y<x;y++)cache[(unsigned char)buf[y]]++;for(x=0;x<sizeof letters-1;x++)printf("%c: %d\n",letters[x],cache[letters[x]]);}' | gcc -w -xc -; ./a.out < file; rm a.out;
È uno pseudo-one-liner incredibilmente veloce.
Un semplice test mostra che sulla mia CPU Core i7 870 a 2,93 GHz conta poco più di 600 MB / s:
$ du -h bigdna
1.1G bigdna
time ./a.out < bigdna
t: 178977308
a: 178958411
c: 178958823
g: 178947772
n: 178959673
-: 178939837
real 0m1.718s
user 0m1.539s
sys 0m0.171s
A differenza delle soluzioni che prevedono l'ordinamento, questo viene eseguito in memoria costante (4K), che è molto utile, se il tuo file è molto più grande del tuo ram.
E, naturalmente, con un po 'di grasso al gomito, possiamo radere 0,7 secondi:
echo 'int cache[256],x,buf[4096],*bp,*ep;char letters[]="tacgn-"; int main(){while((ep=buf+(read(0,buf,sizeof buf)/sizeof(int)))>buf)for(bp=buf;bp<ep;bp++){cache[(*bp)&0xff]++;cache[(*bp>>8)&0xff]++;cache[(*bp>>16)&0xff]++;cache[(*bp>>24)&0xff]++;}for(x=0;x<sizeof letters-1;x++)printf("%c: %d\n",letters[x],cache[letters[x]]);}' | gcc -O2 -xc -; ./a.out < file; rm a.out;
Reti poco più di 1,1 GB / s finendo in:
real 0m0.943s
user 0m0.798s
sys 0m0.134s
Per fare un confronto, ho testato alcune delle altre soluzioni in questa pagina che sembravano avere una sorta di velocità promessa.
La soluzione sed
/ awk
fece uno sforzo coraggioso, ma morì dopo 30 secondi. Con una regex così semplice, mi aspetto che questo sia un bug in sed (GNU sed versione 4.2.1):
$ time sed 's/./&\n/g' bigdna | awk '!/^$/{a[$0]++}END{for (i in a)print i,a[i];}'
sed: couldn't re-allocate memory
real 0m31.326s
user 0m21.696s
sys 0m2.111s
Anche il metodo perl sembrava promettente, ma ho rinunciato dopo averlo eseguito per 7 minuti
time perl -e 'while (<>) {$c{$&}++ while /./g} print "$c{$_} $_\n" for keys %c' < bigdna
^C
real 7m44.161s
user 4m53.941s
sys 2m35.593s