我必须处理大约2 GB（525600行x 302列）的120个文件的集合。目标是制作一些统计数据并将结果放在干净的SQLite数据库中。
当我的脚本使用read.table（）导入时，一切正常，但速度很慢。所以我尝试使用fread，来自data.table包（版本1.9.2），但它给了我这个错误：
Error in fread(txt, header = T, select = c("YYY", "MM", "DD", :
Not positioned correctly after testing format of header row. ch=' '
我的数据的前2行和7行看起来像这样：
YYYY MM DD HH mm 19490 40790
1991 10 1 1 0 1.046465E+00 1.568405E+00
因此，开头有第一个空格，日期列之间只有一个空格，其他列之间有任意数量的空格。
我尝试使用这样的命令来转换逗号中的空格：
DT <- fread(
paste("sed 's/\\s\\+/,/g'", txt),
header=T,
select=c('HHHH','MM','DD','HH')
)
没有成功：问题仍然存在，使用sed命令似乎很慢。
Fread似乎不喜欢“任意数量的空格”作为分隔符或开头的空列。有什么想法吗？
这是（可能）最小的可重复示例（40790之后的换行符）：
txt<-print(" YYYY MM DD HH mm 19490 40790
1991 10 1 1 0 1.046465E+00 1.568405E+00")
testDT<-fread(txt,
header=T,
select=c("YYY","MM","DD","HH")
)
感谢您的帮助！
更新： - data.table 1.8。*不会发生错误。在这个版本中，表被读作一个唯一的行，这不是更好。
更新2 - 如评论中所述，我可以使用sed格式化表格，然后用fread读取它。我在上面的答案中放了一个脚本，在那里我创建了一个样本数据集，然后比较一些system.time（）。
答案 0 :(得分：5)
Just committed to devel，v1.9.5。 fread()使用默认strip.white获得TRUE参数（而不是base::read.table()，因为它更为可取）。现在，示例数据已添加到测试中。
通过最近的提交：
require(data.table) # v1.9.5, commit 0e7a835 or more recent
ans <- fread(" YYYY MM DD HH mm 19490 40790\n 1991 10 1 1 0 1.046465E+00 1.568405E+00")
# V1 V2 V3 V4 V5 V6 V7
# 1: YYYY MM DD HH mm 19490.000000 40790.000000
# 2: 1991 10 1 1 0 1.046465 1.568405
sapply(ans, class)
# V1 V2 V3 V4 V5 V6 V7
# "character" "character" "character" "character" "character" "numeric" "numeric"
答案 1 :(得分：4)
sed 's/^[[:blank:]]*//;s/[[:blank:]]\{1,\}/,/g'
for sed
不可能将fread的所有结果收集到1（临时）文件中（添加源引用）并使用sed（或其他工具）处理此文件以避免在每次迭代时使用工具分叉？
答案 2 :(得分：3)
通过NeronLeVelu和Clayton Stanlay的答案，我用自定义函数，示例数据和一些system.time（）完成了答案，以便进行比较。这些测试是在Mac OS 10.9和R 3.0.2上进行的。但是，我在linux机器上进行了相同的测试，并且sed命令的执行速度非常慢，而read.table（）则预先计算了nrows和colClasses。 fread部分非常快，两个系统上的5e6行大约5秒钟。
library(data.table)
# create path to new temporary file
origData <- tempfile(pattern="origData",fileext=".txt")
# write table with irregular blank spaces separators.
write(paste0(" YYYY MM DD HH mm 19490 40790","\n",
paste(rep(" 1991 10 1 1 0 1.046465E+00 1.568405E+00", 5e6),
collapse="\n"),"\n"),
file=origData
)
# define column classes for read.table() optimization
colClasses <- c(rep('integer',5),rep('numeric',2))
# Function to count rows with command wc for read.table() optimization.
fileRowsCount <- function(file){
if(file.exists(file)){
sysCmd <- paste("wc -l", file)
rowCount <- system(sysCmd, intern=T)
rowCount <- sub('^\\s', '', rowCount)
as.numeric(
strsplit(rowCount, '\\s')[[1]][1]
)
}
}
# Function to sed data into temp file before importing with sed
sedFread<-function(file, sedCmd=NULL, ...){
require(data.table)
if(is.null(sedCmd)){
#default : sed for convert blank separated table to csv. Thanks NeronLevelu !
sedCmd <- "'s/^[[:blank:]]*//;s/[[:blank:]]\\{1,\\}/,/g'"
}
#sed into temp file
tmpPath<-tempfile(pattern='tmp',fileext='.txt')
sysCmd<-paste('sed',sedCmd, file, '>',tmpPath)
try(system(sysCmd))
DT<-fread(tmpPath,...)
try(system(paste('rm',tmpPath)))
return(DT)
}
Mac OS结果：
# First sed into temp file and then fread.
system.time(
DT<-sedFread(origData, header=TRUE)
)
> user system elapsed
> 23.847 0.628 24.514
# Sed directly in fread command :
system.time(
DT <- fread(paste("sed 's/^[[:blank:]]*//;s/[[:blank:]]\\{1,\\}/,/g'", origData),
header=T)
)
> user system elapsed
> 23.606 0.515 24.219
# read.table without nrows and colclasses
system.time(
DF<-read.table(origData, header=TRUE)
)
> user system elapsed
> 38.053 0.512 38.565
# read.table with nrows an colclasses
system.time(
DF<-read.table(origData, header=TRUE, nrows=fileRowsCount(origData), colClasses=colClasses)
)
> user system elapsed
> 33.813 0.309 34.125
Linux结果：
# First sed into temp file and then fread.
system.time(
DT<-sedFread(origData, header=TRUE)
)
> Read 5000000 rows and 7 (of 7) columns from 0.186 GB file in 00:00:05
> user system elapsed
> 47.055 0.724 47.789
# Sed directly in fread command :
system.time(
DT <- fread(paste("sed 's/^[[:blank:]]*//;s/[[:blank:]]\\{1,\\}/,/g'", origData),
header=T)
)
> Read 5000000 rows and 7 (of 7) columns from 0.186 GB file in 00:00:05
> user system elapsed
> 46.088 0.532 46.623
# read.table without nrows and colclasses
system.time(
DF<-read.table(origData, header=TRUE)
)
> user system elapsed
> 32.478 0.436 32.912
# read.table with nrows an colclasses
system.time(
DF<-read.table(origData,
header=TRUE,
nrows=fileRowsCount(origData),
colClasses=colClasses)
)
> user system elapsed
> 21.665 0.524 22.192
# Control if DT and DF are identical :
setnames(DT, old=names(DT), new=names(DF))
identical(as.data.frame(DT), DF)
>[1] TRUE
很好：我在第一时间使用的方法效率最高，在这种情况下。
感谢NeronLeVelu，Matt Dowle和Clayton Stanley！
答案 3 :(得分：2)
我找到了另一种方法，用awk而不是sed更快地完成它。这是另一个例子：
library(data.table)
# create path to new temporary file
origData <- tempfile(pattern="origData",fileext=".txt")
# write table with irregular blank spaces separators.
write(paste0(" YYYY MM DD HH mm 19490 40790","\n",
paste(rep(" 1991 10 1 1 0 1.046465E+00 1.568405E+00", 5e6),
collapse="\n"),"\n"),
file=origData
)
# function awkFread : first awk, then fread. Argument : colNums = selection of columns.
awkFread<-function(file, colNums, ...){
require(data.table)
if(is.vector(colNums)){
tmpPath<-tempfile(pattern='tmp',fileext='.txt')
colGen<-paste0("$",colNums,"\",\"", collapse=",")
colGen<-substr(colGen,1,nchar(colGen)-3)
cmdAwk<-paste("awk '{print",colGen,"}'", file, '>', tmpPath)
try(system(cmdAwk))
DT<-fread(tmpPath,...)
try(system(paste('rm', tmpPath)))
return(DT)
}
}
# check read time :
system.time(
DT3 <- awkFread(origData,c(1:5),header=T)
)
> user system elapsed
> 6.230 0.408 6.644
答案 4 :(得分：1)
如果峰值内存不是问题，或者您可以将其以可管理的块进行流式处理，则以下gsub() / fread()混合应该可以使用，将所有连续空格字符转换为您选择的单个分隔符（例如"\t"），在fread()解析之前：
fread_blank = function(inputFile, spaceReplace = "\t", n = -1, ...){
fread(
input = paste0(
gsub(pattern = "[[:space:]]+",
replacement = spaceReplace,
x = readLines(inputFile, n = n)),
collapse = "\n"),
...)
}
我必须同意其他人认为空格分隔的文件不是理想的选择，但我经常遇到它们是否喜欢它。