Question

假设我有一个巨大的m * n矩阵X（太大而无法读入内存）和二进制数字向量V，长度为m。我的目标是将与X等于V {而非1对应的V[i] == 0行（而不是与data table相对应的行）读入专用matrix / {{ 1}}通过包，例如（但不一定相同）bigmemory或ff。仅适用于与V[i] == 1对应的行。

这可以通过nrows中的skip和read.table等方式进行，但我正在寻找bigmemory，ff等人。因RAM不足而输入解决方案。

这是一个MWE，它不能反映我X的真实大小。

X <- array(rnorm(100*5),dim=c(100,5))
write.csv(X,"target.csv")
V <- sample(c(rep(1,50),rep(0,50))) #Only want to read in half the rows corresponding to 1's
rm(X)

#Now ... How to read "target.csv"?

Answer 1

如何使用命令行工具sed，构建一个命令，该命令沿着您要在命令中读取的行传递。我不确定这是否会有一些命令长度限制...

#  Check the data
head( X )
#           [,1]        [,2]       [,3]       [,4]        [,5]
#[1,]  0.2588798  0.42229528  0.4469073  1.0684309  1.35519389
#[2,]  1.0267562  0.80299223 -0.2768111 -0.7017247 -0.06575137
#[3,]  1.0110365 -0.36998260 -0.8543176  1.6237827 -1.33320291
#[4,]  1.5968757  2.13831188  0.6978655 -0.5697239 -1.53799156
#[5,]  0.1284392  0.55596342  0.6919573  0.6558735 -1.69494827
#[6,] -0.2406540 -0.04807381 -1.1265165 -0.9917737  0.31186670

#  Check V, note row 6 above should be skipped according to this....
head(V)
# [1] 1 1 1 1 1 0

#  Get line numbers we want to read
head( which( V == 1 ) )
# [1] 1 2 3 4 5 7

#  Read the first 5 lines where V == '1' in your example (remembering to include an extra line for the header row, hence the +1 in 'which()')
read.csv( pipe( paste0("sed -n '" , paste0( c( 1 , which( V == 1 )[1:6] + 1 ) , collapse = "p; " ) , "p' C:/Data/target.csv" , collapse = "" ) ) , head=TRUE)

#  X        V1         V2         V3         V4          V5
#1 1 0.2588798  0.4222953  0.4469073  1.0684309  1.35519389
#2 2 1.0267562  0.8029922 -0.2768111 -0.7017247 -0.06575137
#3 3 1.0110365 -0.3699826 -0.8543176  1.6237827 -1.33320291
#4 4 1.5968757  2.1383119  0.6978655 -0.5697239 -1.53799156
#5 5 0.1284392  0.5559634  0.6919573  0.6558735 -1.69494827
#6 7 0.6856038  0.1082029  0.1523561 -1.4147429 -0.64041290

我们实际传递给sed的命令是......

 "sed -n '1p; 2p; 3p; 4p; 5p; 6p; 8p' C:/Data/target.csv"

我们使用-n来关闭任何行的打印，然后我们使用我们想要读取的行号的分号分隔向量，由which( V == 1 )给出，最后目标文件名。请记住，这些行号已被+1抵消，以说明构成标题行的行。

Answer 2

来自ffdfindexget包的

ff正是您所寻找的：

函数ffdfindexget允许从ffdf data.frame中提取行根据存储在ff向量中的正整数suscripts。

所以在你的例子中：

write.csv(X,"target.csv")
d <- read.csv.ffdf(file="target.csv")
i <- ff(which(V==1))
di <- ffdfindexget(d, i)

Answer 3

一个可行的策略是将CSV文件导入数据库（R支持与大多数数据库的连接。如果您感觉前沿和速度很重要，请使用MonetDB;否则SQLite或其他任何方便。）

然后，您可以使用SQL指定适当的子集，并将其读入R。

Answer 4

我认为你可以使用sqldf包来实现你想要的。 sqldf将csv文件直接读入SQLlite数据库，完全绕过R环境。

library(sqldf)

Xfile <- file('target.csv')
sqlcmd <- paste0('select * from Xfile where rowid in (', paste(which(V==1), collapse=','), ')')
sqldf(sqlcmd, file.format=list(header=TRUE))

或：

library(sqldf)

Vdf <- data.frame(V)
sqlcmd <- "select file.* from file, Vdf on file.rowid = Vdf.rowid and V = 1"
read.csv.sql("target.csv", sql = sqlcmd)

读取特定行的大型矩阵数据文件

4 个答案: