Question

我从事数据清理工作。我有一个函数可以识别大型输入文件中的坏行（根据我的ram大小，一次性读取太大）并将坏行的行号作为向量badRows返回。这个功能似乎有效。

我现在正试图将坏行读入数据帧，到目前为止还没有成功。

我目前的做法是在我的文件的打开连接上使用read.table，使用在读取的每一行之间跳过的行数向量。对于连续的坏行，此数字为零。

我将skipVec计算为：

(badRowNumbers - c(0, badRowNumbers[1:(length(badRowNumbers-1]))-1

但目前我只是将我的函数交给skipVec全零的向量。

如果我的逻辑是正确的，这应该返回所有行。它不是。相反，我得到一个错误：

“read.table中的错误（con，skip = pass，nrow = 1，header = TRUE，sep = “”）：输入“
中没有可用的行

我目前的功能基于Miron Kursa（“mbq”）的功能，我发现here。

我的问题有点重复，但我认为他的功能有效，所以我以某种方式打破了它。我仍然试图理解打开文件和打开文件连接之间的区别，我怀疑问题存在于某个地方，或者我使用lapply。

我在RStudio 0.97.551下运行R 3.0.1，在一台老式Windows XP SP3机器上运行3gig ram。石器时代，我知道。

以下是产生上述错误消息的代码：

# Make a small small test data frame, write it to a file, and read it back in 
# a row at a time.
testThis.DF <- data.frame(nnn=c(2,3,5), fff=c("aa", "bb", "cc"))  
testThis.DF 

# This function will work only if the number of bad rows is not too big for memory
write.table(testThis.DF, "testThis.DF")
con<-file("testThis.DF")
open(con)
skipVec <- c(0,0,0)
badRows.DF  <- lapply(skipVec, FUN=function(pass){
  read.table(con, skip=pass, nrow=1, header=TRUE, sep="") })
close(con)

错误发生在关闭命令之前。如果我将readLines命令从lapply和函数中拉出来并将其自身粘贴，我仍会得到同样的错误。

Answer 1

如果不是通过read.table运行lapply而是手动运行前几次迭代，您将会看到发生了什么：

> read.table(con, skip=0, nrow=1, header=TRUE, sep="")
  nnn fff
1   2  aa
> read.table(con, skip=0, nrow=1, header=TRUE, sep="")
  X2 X3 bb
1  3  5 cc

因为header = TRUE它不是每次迭代读取的一行而是两行，所以你最终会比你想象的更快地用完行，这是第三次迭代：

> read.table(con, skip=0, nrow=1, header=TRUE, sep="")
Error in read.table(con, skip = 0, nrow = 1, header = TRUE, sep = "") : 
  no lines available in input

现在这可能仍然不是解决问题的有效方法，但这是您修复当前代码的方法：

write.table(testThis.DF, "testThis.DF")
con <- file("testThis.DF")
open(con)
header <- scan(con, what = character(), nlines = 1, quiet = TRUE)
skipVec <- c(0,1,0)
badRows <- lapply(skipVec, function(pass){
  line <- read.table(con, nrow = 1, header = FALSE, sep = "",
                     row.names = 1)
  if (pass) NULL else line
  })
badRows.DF <- setNames(do.call(rbind, badRows), header)
close(con)

提高速度的一些线索：

使用scan代替read.table。将数据读取为character，并且仅在最后，将数据放入字符矩阵或data.frame后，将type.convert应用于每列。
如果它更短，则不要循环遍历skipVec，而是循环遍历rle。因此，您将能够一次读取或跳过大量的行。

如何使用R“readLines”命令从大文件中读取所选行并将其写入数据框？

1 个答案: