如何只读取满足从csv到R的条件的行?

问题描述 投票:19回答:5

我试图将一个大的csv文件读入R.我只想阅读并使用一些满足特定条件的行(例如Variable2 >= 3)。这是一个小得多的数据集。

我想直接将这些行读入数据帧,而不是将整个数据集加载到数据帧中,然后根据条件进行选择,因为整个数据集不容易适合内存。

r large-data read.csv
5个回答
28
投票

您可以在read.csv.sql包中使用sqldf函数并使用SQL select进行过滤。从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")

20
投票

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> 

在这里,我们使用awk。我们告诉awk使用逗号作为字段分隔符,然后使用条件'if first field大于20'来决定我们是否打印(整个行通过$0)。

该命令的输出可以由R通过pipe()读取。

这比将每个字段读入R更快,内存效率更高。


9
投票

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。对于这个例子,read_csv_chunked做得很好,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

8
投票

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

编辑:在评论中添加了@ lucacerone的建议中的stringsAsFactors=FALSE选项。


1
投票

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

您可以使用带有选项readLinesn = 1的函数l = readLines(fc, n = 1)一次读取一行文件。

然后你必须使用strsplit,正则表达式等函数解析你的字符串,或者你可以尝试使用stringr包(可从CRAN获得)。

如果该行符合导入数据的条件,则导入该行。

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
  }

}
© www.soinside.com 2019 - 2024. All rights reserved.