Question

我在文本文件中有制表符分隔的表格，其中所有行都以\r\r\n（0x0D 0x0D 0x0A）结尾。如果我尝试使用fread()阅读此类文件，则说

行结尾是\ r \ n \ n \ n \ n \ n。 R的download.file（）似乎添加了额外的\ r \ n 在Windows上以文本模式。请以二进制模式再次下载（mode ='wb'）也可能更快。或者，传递URL 直接到fread，它将以二进制模式下载文件你。

但我没有下载这些文件，我已经拥有它们了。

到目前为止，我找到了首先使用read.table()读取文件的解决方案（它将\r\r\n组合视为单个行尾字符），然后转换生成的data.frame data.table()：

mydt <- data.table(read.table(myfilename, header = T, sep = '\t', fill = T))

但我想知道是否有办法避免慢read.table()并使用快速fread()。

Answer 1

我建议使用GNU实用程序tr来删除那些不必要的\r字符。 e.g。

cat("a,b,c\r\r\n1, 2, 3\r\r\n4, 5, 6", file = "test.csv")
fread("test.csv")
## Error in fread("test.csv") : 
##  Line ending is \r\r\n. R's download.file() appears to add the extra \r in text mode on Windows. Please download again in binary mode (mode='wb') which might be faster too. Alternatively, pass the URL directly to fread and it will download the file in binary mode for you.

system("tr -d '\r' < test.csv > test2.csv")
fread("test2.csv")
##    a b c
## 1: 1 2 3
## 2: 4 5 6

如果您使用的是Windows并且没有tr实用程序，则可以获取here。

<强>加了：

我使用100,000 x 5样本cvs数据集对三种方法进行了一些比较。

OPcsv是“慢”read.table方法
freadScan是一种丢弃纯R

\r

freadtr直接使用tr通过shell调用GNU fread()。

第三种方法是迄今为止最快的方法。

# create a 100,000 x 5 sample dataset with lines ending in \r\r\n
delim <- "\r\r\n"
sample.txt <- paste0("a, b, c, d, e", delim)
for (i in 1:100000) {
    sample.txt <- paste0(sample.txt,
                        paste(round(runif(5)*100), collapse = ","),
                        delim)
}
cat(sample.txt, file = "sample.csv")


# function that translates the extra \r characters in R only
fread2 <- function(filename) {
    tmp <- scan(file = filename, what = "character", quiet = TRUE)
    # remove empty lines caused by \r
    tmp <- tmp[tmp != ""]
    # paste lines back together together with \n character
    tmp <- paste(tmp, collapse = "\n")
    fread(tmp)
}

# OP function using read.csv that is slow
readcsvMethod <- function(myfilename)
    data.table(read.table(myfilename, header = TRUE, sep = ',', fill = TRUE))

require(microbenchmark)
microbenchmark(OPcsv = readcsvMethod("sample.csv"),
               freadScan = fread2("sample.csv"),
               freadtr = fread("tr -d \'\\r\' < sample.csv"),
               unit = "relative")
## Unit: relative
##           expr      min       lq     mean   median       uq      max neval
##          OPcsv 1.331462 1.336524 1.340037 1.365397 1.366041 1.249223   100
##      freadScan 1.532169 1.581195 1.624354 1.673691 1.676596 1.355434   100
##        freadtr 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000   100

fread（）：以\ r \ n \ n \ n作为换行符号的读表

1 个答案: