source line-length histogram script

example.txt

./linelen_hist.sh src '*.c'
COLS COUNT
2    1317 ████████████████████████████████████████████████████████████▌
4    583  ██████████████████████████▏
6    500  ██████████████████████▎
8    253  ███████████▊
10   264  ████████████▊
12   448  ████████████████████▋
14   417  ███████████████████▌
16   476  █████████████████████▍
18   445  ████████████████████▎
20   493  ██████████████████████▏
22   509  ███████████████████████▍
24   518  ███████████████████████▌
26   477  █████████████████████▊
28   549  █████████████████████████▋
30   489  ██████████████████████▎
32   426  ███████████████████▋
34   417  ███████████████████▌
36   397  ██████████████████▍
38   456  ████████████████████▎
40   388  █████████████████▎
42   363  ████████████████▉
44   376  █████████████████▊
46   369  ████████████████▋
48   320  ██████████████▎
50   279  ████████████▋
52   286  █████████████▊
54   257  ███████████▋
56   265  ████████████▎
58   237  ██████████▌
60   235  ██████████▌
62   236  ██████████
64   204  █████████▌
66   225  ██████████
68   225  ██████████
70   229  ██████████▉
72   213  █████████▌
74   211  █████████▋
76   222  ██████████▋
78   315  ██████████████
80   209  █████████▊
82   161  ███████▉
84   144  ██████▏
86   138  ██████▍
88   97   ████▊
90   77   ███▋
92   102  █████
94   52   ██▎
96   27   █▊
98   15   ▍
100  28   █▎
average columns per line: 30.7

linelen_hist.sh

#!/bin/bash
DIR=${1:-$(dirname "$0")/src}
PAT=${2:-'*.c'}

for f in $(find "$DIR" -type f -name $PAT); do
  for e in $(awk '/^[[:space:]]*[^\/ \t]/ {print length}' $f |
             sort -n | uniq -c | awk '{print $1 ":" $2}')
  do
    occurances=${e%:*}
    width=${e#*:}
    [ "$width" = "0" -o $width -gt 100 ] && continue  # ignore
    ((histogram[$width]+=$occurances))
  done
done

for i in $(seq 2 2 100); do
  occurances1=${histogram[$(($i - 1))]} ; [ -z "$occurances" ] && occurances1=0
  occurances=${histogram[$i]} ; [ -z "$occurances" ] && occurances=0
  occurances=$(( occurances + occurances1 ))
  ((hist2[$i]+=$occurances))
done

nmax=0
nmin=100
for w in "${!hist2[@]}"; do
  n=${hist2[$w]}
  [ $n -lt $nmin ] && nmin=$n
  [ $n -gt $nmax ] && nmax=$n
done

step=$(echo "scale=4; $nmax/100.0" | bc)
cols=60
avg=
# echo $step

printf "%-4s %-4s\n" "COLS" "COUNT"
for w in "${!hist2[@]}"; do
  n=${hist2[$w]}
  if [ -z "$avg" ]; then
    avg=$(printf "%s\n" "scale=20; $n" | bc)
  else
    avg=$(printf "%s\n" "scale=20; ($avg + $n) / 2" | bc)
  fi
  t=$(printf "%s\n" "scale=8; $n/$nmax * $cols * 10" | bc)

  u=$(printf "%.0f" "$t")
  m=$(( $u / 10 ))
  c=$(printf "%.0f" $(echo "scale=8; ($t - ($u - 0.5)) * 8" | bc))

  printf "%-4s %-4s " "$w" "$n"
  for (( i = 1; i <= $m; i++ )); do
    printf "█"
  done
  if   [ $c = 1 ]; then printf "▏"
  elif [ $c = 2 ]; then printf "▎"
  elif [ $c = 3 ]; then printf "▍"
  elif [ $c = 4 ]; then printf "▌"
  elif [ $c = 5 ]; then printf "▋"
  elif [ $c = 6 ]; then printf "▊"
  elif [ $c = 7 ]; then printf "▉"
  elif [ $c = 8 ]; then printf "█"
  fi
  printf "\n"
done

printf "average columns per line: %.1f\n" "$avg"