目前在R中将XML文件转换为数据帧的最快方法是什么?
XML看起来像这样:(注意 - 并非所有行都包含所有字段)
<row>
<ID>001</ID>
<age>50</age>
<field3>blah</field3>
<field4 />
</row>
<row>
<ID>001</ID>
<age>50</age>
<field4 />
</row>
我尝试了两种方法:
对于8.5 MB的文件,使用1.6k&#34;行&#34;和114&#34;列&#34;,xmlToDataFrame耗时25.1秒,而xmlToDF在我的机器上耗时16.7秒。
与python XML解析器(例如xml.etree.ElementTree)相比,这些时间非常大,能够在0.4秒内完成工作。
在R中是否有更快的方法可以做到这一点,或者R中有哪些基本因素阻止我们加快速度?
对此有所了解会非常有用!
答案 0 :(得分:4)
更新了评论
d = xmlRoot(doc)
size = xmlSize(d)
names = NULL
for(i in 1:size){
v = getChildrenStrings(d[[i]])
names = unique(c(names, names(v)))
}
for(i in 1:size){
v = getChildrenStrings(d[[i]])
cat(paste(v[names], collapse=","), "\n", file="a.csv", append=TRUE)
}
对于1000x100 xml记录,这将在大约0.4秒内完成。如果你知道变量名,你甚至可以省略第一个for循环。
注意:如果xml内容包含逗号,引号,则可能需要特别注意它们。在这种情况下,我建议使用下一个方法。
如果要动态构建data.frame,可以使用data.table
执行此操作,data.table
比上面的csv方法慢一点,但速度比data.frame
<快/ p>
m = data.table(matrix(NA,nc=length(names), nr=size))
setnames(m, names)
for (n in names) mode(m[[n]]) = "character"
for(i in 1:size){
v = getChildrenStrings(d[[i]])
m[i, names(v):= as.list(v), with=FALSE]
}
for (n in names) m[, n:= type.convert(m[[n]], as.is=TRUE), with=FALSE]
对于同一份文件,它在大约1.1秒内完成。
答案 1 :(得分:0)
为了防患于未然,我发现在我的用例中使用data.table的解决方案甚至更快,因为它仅在完成循环遍历行之后才将数据转换为data.table:
library(XML)
library(data.table)
doc <- xmlParse(filename)
d <- getNodeSet(doc, "//Data")
size <- xmlSize(d)
dt <- rbindlist(lapply(1:size, function(i) {
as.list(getChildrenStrings(d[[i]]))
}))