将大型平面文件读入 r as.numeric 的快速方法 [重复]
Posted
技术标签:
【中文标题】将大型平面文件读入 r as.numeric 的快速方法 [重复]【英文标题】:quick way to read a large flat file into r as.numeric [duplicate] 【发布时间】:2014-09-12 09:44:41 【问题描述】:我有一个包含 1 和 0 的大型(450MB / 2.5 亿行)平面文件,看起来像这样...
1
0
0
1
0
1
0
etc...
我正在使用以下方法将其读入R...
dat <- as.numeric(readLines("my_large_file"))
我得到了所需的数据结构,但需要很长时间。有什么更快的方法可以达到同样的效果吗?
注意。 1 和 0 的顺序对于保存很重要。 我会考虑在任一 python 或 unix 命令行中的选项,但在 R 中需要最终的数据结构来绘制图形。
【问题讨论】:
fread in data.table 非常擅长相对快速地读取大文件 【参考方案1】:对于只希望返回向量的数字文件,使用 scan
可能会做得更好。
scan("my_large_file", what = integer())
what
参数将进一步加快文件的读取速度(而不是将其排除在外),因为您实际上是在告诉 R 它将读取整数值。 scan
也有许多其他参数可以在大型数字文件中派上用场(例如 skip
、nlines
等)
此外,正如@baptiste 在 cmets 中提到的,
library(data.table)
fread("my_large_file")
将readLines
和scan
都吹走(在我的机器上)。
注意:可能是一个错字,但在您原来的帖子中,我认为readlines
应该是readLines
【讨论】:
如果只是1
和0
,指定integer
作为类型会更快,因为它们需要一半的内存而不是双倍的内存。
明白了。谢谢你。
谢谢@RichardScriven,fread 在几秒钟内完成了这项工作。【参考方案2】:
比较几个选项的时间安排。首先,一些数据。
set.seed(21)
x <- sample.int(2, 25e6, TRUE) - 1L
writeLines(as.character(x),"data")
现在,一些基准测试(每个都从一个新的 R 会话运行以避免文件被缓存)。
> system.time(r <- as.numeric(readLines("data")))
user system elapsed
5.235 0.447 5.681
> system.time(r <- scan("data",what=numeric()))
Read 25000000 items
user system elapsed
4.199 0.286 4.483
> system.time(r <- scan("data",what=integer()))
Read 25000000 items
user system elapsed
3.134 0.081 3.214
> require(data.table)
> system.time(r <- fread("data")$V1)
user system elapsed
0.412 0.026 0.439
及验证:
> num <- as.numeric(readLines("data"))
> int <- as.integer(readLines("data"))
> sn <- scan("data",what=numeric())
Read 25000000 items
> si <- scan("data",what=integer())
Read 25000000 items
> dti <- fread("data")$V1
> identical(num,sn)
[1] TRUE
> identical(int,si)
[1] TRUE
> identical(int,dti)
[1] TRUE
【讨论】:
谢谢,我刚刚从这个答案中学到了三个新东西。 @RichardScriven:我希望它们不仅是新的,而且是有用的。 ;) 我觉得令人沮丧的是,一台计算机需要“一段时间”才能生成一个包含几百万个 0 和 1 的文本文件。 @baptiste:write
是cat
的包装器,它似乎没有针对这类事情进行优化。 writeLines
更快。
其他东西似乎没有为此优化:过去 10 分钟我无法使用我的计算机,当我尝试生成黑白光栅图像时它冻结了具有该数量的像素。坏主意,下次我会用相机拍天空for randomness。以上是关于将大型平面文件读入 r as.numeric 的快速方法 [重复]的主要内容,如果未能解决你的问题,请参考以下文章
在不丢失信息的情况下将因子转换为数字 R(as.numeric() 似乎不起作用)[重复]