如何按行条件将巨大的 csv 文件读入 R?
Posted
技术标签:
【中文标题】如何按行条件将巨大的 csv 文件读入 R?【英文标题】:how to read huge csv file into R by row condition? 【发布时间】:2013-09-18 10:35:27 【问题描述】:我有一个大约 1500 万行的巨大 csv 文件,大小约为 3G。
我想将这个文件逐个读入R,每次只选择那些符合特定条件的行。
例如其中一列称为产品类型,因此我只需将一种产品类型读入R,并对其进行处理,然后输出结果,然后再转到另一种产品类型...
到目前为止,我已经阅读了不同的方法,例如将大文件上传到数据库,或者通过 colbycol 逐列读取,或者通过 ff 读取一大块行......
是否有任何纯 R 解决方案可以解决我的问题?
【问题讨论】:
您所说的“纯 R”是指坚持不使用任何软件包的基础吗?如果是,为什么?这是您目前的设置中的一些限制还是只是一种心理锻炼?如果你可以考虑一个包,这听起来可能是sqldf
的候选者。
Here 是 @eddi 提供的一个很好的回答,假设您愿意使用命令行工具,而不仅仅是 base::R
。
如果我们要走非 R 解决方案的道路,也请查看 csvkit。
我会使用data.table
,尤其是fread
,如果数据适合您的RAM,并且只有在不适合的情况下才使用其他东西
data.table 是否需要先将整个文件读入内存?
【参考方案1】:
您可以使用RSQLite
包:
library(RSQLite)
# Create/Connect to a database
con <- dbConnect("SQLite", dbname = "sample_db.sqlite")
# read csv file into sql database
# Warning: this is going to take some time and disk space,
# as your complete CSV file is transferred into an SQLite database.
dbWriteTable(con, name="sample_table", value="Your_Big_CSV_File.csv",
row.names=FALSE, header=TRUE, sep = ",")
# Query your data as you like
yourData <- dbGetQuery(con, "SELECT * FROM sample_table LIMIT 10")
dbDisconnect(con)
下次您想要访问您的数据时,您可以省略 dbWriteTable
,因为 SQLite 表存储在磁盘上。
注意:将 CSV 数据写入 SQLite 文件不会先将所有数据加载到内存中。因此,您最终将使用的内存将受限于您的查询返回的数据量。
【讨论】:
【参考方案2】:只能使用 R 来做到这一点:
-
打开文件连接
如果有header,则读入header信息
使用
read.csv
从文件中读取一行,指定colClasses
和nrows=1
测试该行以查看它是否满足您的条件,如果是,则将其附加到不断增长的数据框中
对文件的其余部分重复第 4 步。
关闭连接
虽然上述情况是可能的,但我认为这是不可取的。这种类型的事情可能最好通过将数据加载到数据库中,然后从 R 中查询数据库来完成。
【讨论】:
一次读一行会非常低效,最好一次读一万行(或更多)。 @Hadley,我的理解是,在幕后 R 会读取几行,然后只给你你要求的数字,当你要求更多的行时,它会从它的内部缓冲区中给你,而不是从磁盘重新读取(直到你用完缓冲区)。但是,我可能是错的。 我很确定情况并非如此,但你永远不知道。 @Hadley,这篇文章:tolstoy.newcastle.edu.au/R/help/05/12/18001.html 建议操作系统进行缓冲。无论哪种方式,我仍然建议 OP 使用数据库方法而不是直接读取。【参考方案3】:您也可以使用 JDBC 来实现这一点。让我们创建一个示例 csv 文件。
write.table(x=mtcars, file="mtcars.csv", sep=",", row.names=F, col.names=T) # create example csv file
从此链接下载并保存 CSV JDBC 驱动程序:http://sourceforge.net/projects/csvjdbc/files/latest/download,然后设置驱动程序。
> library(RJDBC)
> path.to.jdbc.driver <- "jdbc//csvjdbc-1.0-18.jar"
> drv <- JDBC("org.relique.jdbc.csv.CsvDriver", path.to.jdbc.driver)
> conn <- dbConnect(drv, sprintf("jdbc:relique:csv:%s", getwd())) # replace getwd() with location of csv file
让我们看看 mtcars 数据集中的前 3 行:
> head(dbGetQuery(conn, "select * from mtcars"), 3)
mpg cyl disp hp drat wt qsec vs am gear carb
1 21 6 160 110 3.9 2.62 16.46 0 1 4 4
2 21 6 160 110 3.9 2.875 17.02 0 1 4 4
3 22.8 4 108 93 3.85 2.32 18.61 1 1 4 1
接下来,让我们看看 gear 的不同值和各自的计数:
> dbGetQuery(conn, "select gear, count(*) from mtcars group by gear")
GEAR COUNT(*)
1 4 12
2 3 15
3 5 5
现在您可以使用 where 子句编写查询以过滤数据以仅选择 gear 取值为 5 的行:
> dbGetQuery(conn, "select * from mtcars where gear = '5'")
mpg cyl disp hp drat wt qsec vs am gear carb
1 26 4 120.3 91 4.43 2.14 16.7 0 1 5 2
2 30.4 4 95.1 113 3.77 1.513 16.9 1 1 5 2
3 15.8 8 351 264 4.22 3.17 14.5 0 1 5 4
4 19.7 6 145 175 3.62 2.77 15.5 0 1 5 6
5 15 8 301 335 3.54 3.57 14.6 0 1 5 8
【讨论】:
以上是关于如何按行条件将巨大的 csv 文件读入 R?的主要内容,如果未能解决你的问题,请参考以下文章