Question

我有几个这样的CSV文件：

site,run,id,payload,dir
1,1,1,528,1
1,1,1,540,2
1,1,3,532,1
# ... thousands more rows ...

（在我正在使用的实际情况中，有三个文件，总共有1,408,378行。）对于绘图，我想将它们重新调整为这种格式：

label,stream,dir,i,payload
A,1,1,1,586
A,1,1,2,586
A,1,1,3,586
# etc

其中'label'源自CSV文件的名称; 'stream'是在一个文件中分配给'site'，'run'和'id'的每个组合的序列号（因此，仅在'label'中唯一）; 'i'是每个'stream'中的行号; 'dir'和'payload'直接取自原始文件。我还想丢弃除了每个流的前20行之外的所有行。我事先知道CSV文件中的每个单元格（标题除外）都是正整数，而'dir'只取值1和2.

我用plyr杀死了我最初尝试这样做的原因，因为经过一个多小时的计算后，它已经运行了R进程，最多可达6GB的工作集，看不到任何结束。最新foreach中对plyr并行性的闪亮新支持没有帮助：八个进程分别运行10分钟的CPU时间，然后又回到一个进程，持续一个小时，然后，是的，再次吹掉我的RAM。

然后我在Python中编写了一个帮助脚本，我更加流利：

import sys
def processOne(fname):
    clusters = {}
    nextCluster = 1
    with open(fname + ".csv", "r") as f:
        for line in f:
            line = line.strip()
            if line == "site,run,id,payload,dir": continue
            (site, run, id, payload, dir) = line.split(',')
            clind = ",".join((site,run,id))

            clust = clusters.setdefault(clind,
                                        { "i":nextCluster, "1":0, "2":0 })
            if clust["i"] == nextCluster:
                nextCluster += 1

            clust[dir] += 1
            if clust[dir] > 20: continue

            sys.stdout.write("{label},{i},{dir},{j},{payload}\n"
                             .format(label=fname,
                                     i=clust["i"],
                                     dir=dir,
                                     j=clust[dir],
                                     payload=payload))

sys.stdout.write("label,stream,dir,i,payload\n")
for fn in sys.argv[1:]: processOne(fn)

并从R脚本调用它：

all <- read.csv(pipe("python preprocess.py A B C", open="r"))

在五秒钟内完成。

所以问题是：在R中执行此操作的正确的方式是什么？不是这个具体的任务，而是这类问题。在分析数据之前，我几乎总是需要对数据进行混洗，而且在其他语言中它几乎总是变得容易 - 无论是编写代码还是计算机执行它。这让我觉得我只使用R作为ggplot2的接口，如果我学会matplotlib，我可能会从长远来看节省时间。

Answer 1

用于完成所需步骤的R代码：

- ＆＃34;其中＆＃39;标签＆＃39;源自CSV文件的名称; ＆＃34;

filvec <- list.files(<path>)
for (fil in filvec) {  #all the statements will be in the loop body
  dat <- read.csv(fil)
  dat$label <- fil   # recycling will make all the elements the same character value

- ＆＃34; ＆＃39;流＆＃39;是一个序列号，分配给＆＃39; site＆＃39;，＆＃39; run＆＃39;和＆＃39; id＆＃39;在一个文件中（因此，仅在＆＃39;标签＆＃39;中唯一）; ＆＃34;

 dat$stream <- as.numeric( with(dat, interaction(site, run, id) ) )

- ＆＃34; ＆＃39;我＆＃39;是每个＆＃39;流中的行号; ＆＃34;

dat$i <- ave(dat$site,     # could be any column since we are not using its values
             dat$stream,   # 'ave' passes grouped vectors, returns same length vector
             FUN= function(x) 1:length(x) )

- ＆＃34;和＆＃39; dir＆＃39;和＆＃39;有效载荷＆＃39;直接取自原始文件。＆＃34;

 # you can refer to them by name or column number

- ＆＃34;我还想丢弃除了每个流的前20行以外的所有行。＆＃34;

 out <- dat[dat$i <= 20,     # logical test for the "first 20"
             c('label','stream','dir','i','payload') ]  # chooses columns desired
     }  # end of loop

实际上，这将覆盖三个＆＃39;数据＆＃39;文件。（因此，对于速度检查的一次性测试，主要是有用的。）你可以做最后一次调用：

  assign(paste(fil, "out", sep="_"), dat[dat$i <= 20,
                                          c('label','stream','dir','i','payload') ] )

Answer 2

data.table软件包通常会加快对大到大数据框架的操作。

作为一个例子，下面的代码将三个500,000行data.frames作为输入，并在我的非常强大的笔记本电脑上执行你在约2秒内描述的所有转换。

library(data.table)

## Create a list of three 500000 row data.frames
df <- expand.grid(site=1:2, run=1:2, id=1:2)
df <- data.frame(df, payload=1:1000, dir=rep(1, 5e5))
dfList <- list(df, df, df)
dfNames <- c("firstCSV", "secondCSV", "thirdCSV")

## Manipulate the data with data.table, and time the calculations
system.time({
outputList <-
    lapply(1:3, FUN = function(ii) {
        label <- dfNames[ii]
        df <- dfList[[ii]]
        dt <- data.table(df, key=c("site", "run", "id"))
        groups <- unique(dt[,key(dt), with=FALSE])
        groups[, stream := seq_len(nrow(groups))]
        dt <- dt[groups]
        # Note: The following line only keeps the first 3 (rather than 20) rows
        dt <- dt[, head(cbind(.SD, i=seq_len(.N)), 3), by=stream]
        dt <- cbind(label,
                    dt[,c("stream", "dir", "i", "payload"), with=FALSE])
        df <- as.data.frame(dt)
        return(df)
    })
output <- do.call(rbind, outputList)
})
##    user  system elapsed 
##    1.25    0.18    1.44 

## Have a look at the output
rbind(head(output,4), tail(output,4))

编辑：在2012年5月8日，通过替换此行，我将上述运行时间减少了约25％：

dt <- dt[, head(cbind(.SD, i=seq_len(.N)), 3), by=stream]

这两个：

dt <- cbind(dt, i = dt[, list(i=seq_len(.N)), by=stream][[2]])
dt <- dt[i<=3,]  # Note: This only keeps the 1st 3 (rather than 20) rows

R中的数据重排

2 个答案: