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。
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")
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$0）。
该命令的输出可以由R通过pipe()读取。
这比将每个字段读入R更快，内存效率更高。
当我看到这个问题时，我正在调查readr::read_csv_chunked，并认为我会做一些基准测试。对于这个例子，read_csv_chunked做得很好，增加块大小是有益的。 sqldf仅比awk略快。
library(tidyverse)
library(sqldf)
library(microbenchmark)
# Generate an example dataset with two numeric columns and 5 million rows
data_frame(
norm = rnorm(5e6, mean = 5000, sd = 1000),
unif = runif(5e6, min = 0, max = 10000)
) %>%
write_csv('medium.csv')
microbenchmark(
readr = read_csv_chunked('medium.csv', callback = DataFrameCallback$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 $0}' medium.csv"), col_types = 'dd', progress = F),
check = function(values) all(sapply(values[-1], function(x) all.equal(values[[1]], x))),
times = 10L
)
# Unit: seconds
# expr min lq mean median uq max neval
# readr 5.58 5.79 6.16 5.98 6.68 7.12 10
# readr2 2.94 2.98 3.07 3.03 3.06 3.43 10
# sqldf 13.59 13.74 14.20 13.91 14.64 15.49 10
# awk 16.83 16.86 17.07 16.92 17.29 17.77 10
# awk2 16.86 16.91 16.99 16.92 16.97 17.57 10
您可以以块的形式读取文件，处理每个块，然后仅将子集拼接在一起。
这是一个最小的例子，假设文件有1001（包括标题）行，只有100个适合内存。数据有3列，我们预计最多150行符合条件（这需要为最终数据预先分配空间：
# initialize empty data.frame (150 x 3)
max.rows <- 150
final.df <- data.frame(Variable1=rep(NA, max.rows=150),
Variable2=NA,
Variable3=NA)
# read the first chunk outside the loop
temp <- read.csv('big_file.csv', nrows=100, stringsAsFactors=FALSE)
temp <- temp[temp$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。
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readLines，n = 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
}
}