7

我有一个包含大量数据的大文件，我想将它读入数据框，但发现一些无效行。这些无效行会导致 read.table 中断。我尝试以下方法跳过无效行，但似乎性能很差。

counts<-count.fields(textConnection(lines),sep="\001")
raw_data<-read.table(textConnection(lines[counts == 34]), sep="\001")

有没有更好的方法来实现这一目标？谢谢

4

2 回答 2

19

使用@PaulHiemstra 的样本数据：

read.table("test.csv", sep = ";", fill=TRUE)

然后你按照你的意愿照顾 NA。

于 2012-05-15T11:49:33.390 回答
5

您可以做的是遍历文件中的行，并且只添加具有正确长度的行。

我定义了以下测试 csv 文件：

1;2;3;4
1;2;3;4
1;2;3
1;2;3;4

使用read.table失败：

> read.table("test.csv", sep = ";")
Error in scan(file, what, nmax, sep, dec, quote, skip, nlines, na.strings,  :                                                                       
  line 3 did not have 4 elements

现在是一种迭代方法：

require(plyr)
no_lines = 4
correct_length = 4
file_con = file("test.csv", "r")
result = ldply(1:no_lines, function(line) {
   dum = strsplit(readLines(file_con, n = 1), split = ";")[[1]]
   if(length(dum) == correct_length) {
     return(dum)
   } else {
     cat(sprintf("Skipped line %s\n", line))
     return(NULL)
   }
  })
close(file_con)

> result
  V1 V2 V3 V4
1  1  2  3  4
2  1  2  3  4
3  1  2  3  4

当然，这是一个简单的例子，因为文件非常小。让我们创建一个更具挑战性的示例作为基准。

# First file with invalid rows
norow = 10e5    # number of rows
no_lines = round(runif(norow, min = 3, max = 4))
no_lines[1] = correct_length
file_content = ldply(no_lines, function(line) paste(1:line, collapse = ";"))
writeLines(paste(file_content[[1]], sep = "\n"), "big_test.csv")

# Same length with valid rows
file_content = ldply(rep(4, norow), function(line) paste(1:line, collapse = ";"))
writeLines(paste(file_content[[1]], sep = "\n"), "big_normal.csv")

现在进行基准测试

# Iterative approach
system.time({file_con <- file("big_test.csv", "r")
    result_test <- ldply(1:norow, function(line) {
       dum = strsplit(readLines(file_con, n = 1), split = ";")[[1]]
       if(length(dum) == correct_length) {
         return(dum)
       } else {
         # Commenting this speeds up by 30%
         #cat(sprintf("Skipped line %s\n", line))
         return(NULL)
       }
      })
    close(file_con)})
   user  system elapsed 
 20.559   0.047  20.775

# Normal read.table
system.time(result_normal <- read.table("big_normal.csv", sep = ";"))
   user  system elapsed 
  1.060   0.015   1.079 

# read.table with fill = TRUE
system.time({result_fill <- read.table("big_test.csv", sep = ";", fill=TRUE)
             na_rows <- complete.cases(result_fill)
             result_fill <- result_fill[-na_rows,]})
   user  system elapsed 
  1.161   0.033   1.203 

# Specifying which type the columns are (e.g. character or numeric)
# using the colClasses argument.
system.time({result_fill <- read.table("big_test.csv", sep = ";", fill=TRUE, 
                                       colClasses = rep("numeric", 4))
             na_rows <- complete.cases(result_fill)
             result_fill <- result_fill[-na_rows,]})
   user  system elapsed 
  0.933   0.064   1.001

所以迭代方法要慢一些，但 100 万行的 20 秒可能是可以接受的（尽管这取决于您对可接受的定义）。特别是当您只需要这样做一次，而不是保存它以save供以后检索时使用。@Paolo 建议的解决方案几乎与正常调用read.table. 包含错误数量的列（因此NA）的行将使用complete.cases. 指定列是哪些类进一步提高了性能，我认为当列和行的数量变大时，这种效果会更大。

所以总而言之，最好的选择是使用read.tablewith fill = TRUE，同时指定列的类。如果您想更灵活地选择如何读取行，则使用迭代方法ldply仅是一个不错的选择，例如，仅在某个值高于阈值时才读取行。但也许这可以通过将所有数据读入 R 来更快地完成，而不是创建一个子集。只有当数据大于您的 RAM 时，我才能想象迭代方法有其优点。

于 2012-05-15T11:32:34.460 回答