Question

我正在尝试将大型csv文件读入R.我只想阅读并使用满足特定条件的某些行（例如Variable2 >= 3）。这是一个小得多的数据集。

我想直接将这些直线读入数据框，而不是将整个数据集加载到数据框中，然后根据条件进行选择，因为整个数据集不容易适应内存。

Answer 1

您可以使用read.csv.sql包中的sqldf函数并使用SQL select进行过滤。来自read.csv.sql的帮助页面：

library(sqldf)
write.csv(iris, "iris.csv", quote = FALSE, row.names = FALSE)
iris2 <- read.csv.sql("iris.csv", 
    sql = "select * from file where `Sepal.Length` > 5", eol = "\n")

Answer 2

到目前为止，最简单的（在我的书中）是使用预处理。

R> DF <- data.frame(n=1:26, l=LETTERS)
R> write.csv(DF, file="/tmp/data.csv", row.names=FALSE)
R> read.csv(pipe("awk 'BEGIN {FS=\",\"} {if ($1 > 20) print $0}' /tmp/data.csv"),
+           header=FALSE)
  V1 V2
1 21  U
2 22  V
3 23  W
4 24  X
5 25  Y
6 26  Z
R>

我们在这里使用awk。我们告诉awk使用逗号作为字段分隔符，然后使用条件'如果第一个字段大于20'来决定我们是否打印（整行通过$0）。

该命令的输出可由R通过pipe()读取。

这比将每个字体读入R更快，更节省内存。

Answer 3

当我看到这个问题时，我正在调查readr::read_csv_chunked并认为我会做一些基准测试。对于此示例，read_csv_chunked表现良好，增加块大小是有益的。 sqldf仅比awk略快。

library(tidyverse)
library(sqldf)
library(microbenchmark)

# Generate an example dataset with two numeric columns and 5 million rows
data_frame(
  norm = rnorm(5e6, mean = 5000, sd = 1000),
  unif = runif(5e6, min = 0, max = 10000)
) %>%
write_csv('medium.csv')

microbenchmark(
  readr  = read_csv_chunked('medium.csv', callback = DataFrameCallback$new(function(x, pos) subset(x, unif > 9000)), col_types = 'dd', progress = F),
  readr2 = read_csv_chunked('medium.csv', callback = DataFrameCallback$new(function(x, pos) subset(x, unif > 9000)), col_types = 'dd', progress = F, chunk_size = 1000000),
  sqldf  = read.csv.sql('medium.csv', sql = 'select * from file where unif > 9000', eol = '\n'),
  awk    = read.csv(pipe("awk 'BEGIN {FS=\",\"} {if ($2 > 9000) print $0}' medium.csv")),
  awk2   = read_csv(pipe("awk 'BEGIN {FS=\",\"} {if ($2 > 9000) print $0}' medium.csv"), col_types = 'dd', progress = F),
  check  = function(values) all(sapply(values[-1], function(x) all.equal(values[[1]], x))),
  times  = 10L
)

# Unit: seconds
#   expr       min        lq      mean    median        uq       max neval
#  readr      5.58      5.79      6.16      5.98      6.68      7.12    10
# readr2      2.94      2.98      3.07      3.03      3.06      3.43    10
#  sqldf     13.59     13.74     14.20     13.91     14.64     15.49    10
#    awk     16.83     16.86     17.07     16.92     17.29     17.77    10
#   awk2     16.86     16.91     16.99     16.92     16.97     17.57    10

Answer 4

您可以以块的形式读取文件，处理每个块，然后仅将子集拼接在一起。

这是一个最小的例子，假设文件有1001（包括标题）行，只有100个适合内存。数据有3列，我们预计最多150行符合条件（这需要为最终数据预先分配空间：

# initialize empty data.frame (150 x 3)
max.rows <- 150
final.df <- data.frame(Variable1=rep(NA, max.rows=150), 
                       Variable2=NA,  
                       Variable3=NA)

# read the first chunk outside the loop
temp <- read.csv('big_file.csv', nrows=100, stringsAsFactors=FALSE)
temp <- temp[temp$Variable2 >= 3, ]  ## subset to useful columns
final.df[1:nrow(temp), ] <- temp     ## add to the data
last.row = nrow(temp)                ## keep track of row index, incl. header

for (i in 1:9){    ## nine chunks remaining to be read
  temp <- read.csv('big_file.csv', skip=i*100+1, nrow=100, header=FALSE,
                   stringsAsFactors=FALSE)
  temp <- temp[temp$Variable2 >= 3, ]
  final.df[(last.row+1):(last.row+nrow(temp)), ] <- temp
  last.row <- last.row + nrow(temp)    ## increment the current count
}

final.df <- final.df[1:last.row, ]   ## only keep filled rows
rm(temp)    ## remove last chunk to free memory

修改：在评论中为@ lucacerone的建议添加了stringsAsFactors=FALSE选项。

Answer 5

您可以使用file功能（例如file("mydata.csv", open = "r")）以读取模式打开文件。

您可以使用readLines功能n = 1，l = readLines(fc, n = 1)一次一行地读取文件。

然后你必须使用诸如strsplit之类的函数，正则表达式解析你的字符串，或者你可以尝试包stringr（可从CRAN获得）。

如果该行符合导入数据的条件，则导入该数据。

总结一下，我会做这样的事情：

df = data.frame(var1=character(), var2=int(), stringsAsFactors = FALSE)
fc = file("myfile.csv", open = "r")

i = 0
while(length( (l <- readLines(fc, n = 1) ) > 0 )){ # note the parenthesis surrounding l <- readLines..

   ##parse l here: and check whether you need to import the data.

   if (need_to_add_data){
     i=i+1
     df[i,] = #list of data to import
  }

}

如何只读取满足从csv到R的条件的行？

5 个答案: