我想将 .sav 文件读入 R。但是,它太大了(>11GB)。如果我只能读取部分数据,那应该没问题,但并不理想。那么,有没有办法执行以下任何操作:
- 只读取标题(用于列名)
- 仅导入某些列(而不是整个数据集) - 我已经尝试了函数,
haven
但似乎无法让col_select
参数起作用。 - 读入整个数据集——我知道 .csv 文件的工具,但不知道 .sav 文件的工具。
谢谢你的帮助!
至于将整个数据集放入 R 中,我认为您无法通过块或任何类似的解决方法读取它,并且它对整个数据集的内存效率更高。但是,有一些简单的方法可以获取内存效率更高的列名和/或特定变量:
可以使用n_max
读取空数据框(带有变量和值标签)的参数来获取列名:
# using n_max = 0 is much more memory efficient
bench::mark(read_sav(temp)[0,],
read_sav(temp, n_max = 0))[1:9]
# A tibble: 2 x 9
expression min median `itr/sec` mem_alloc `gc/sec` n_itr n_gc total_time
<bch:expr> <bch:tm> <bch:tm> <dbl> <bch:byt> <dbl> <int> <dbl> <bch:tm>
1 read_sav(temp)[0, ] 1.11s 1.11s 0.902 76.5MB 6.31 1 7 1.11s
2 read_sav(temp, n_max = 0) 5.86ms 6.13ms 154. 97.2KB 1.98 78 1 505.6ms
可以使用 select-helpers(或索引,或名称等)来获取特定列,并且内存效率更高:
bench::mark(read_sav(temp)[c("V1", "V5")],
read_sav(temp, col_select = matches("V(1|5)$")))[1:9]
# A tibble: 2 x 9
expression min median `itr/sec` mem_alloc `gc/sec` n_itr n_gc total_time
<bch:expr> <bch:tm> <bch:tm> <dbl> <bch:byt> <dbl> <int> <dbl> <bch:tm>
1 read_sav(temp)[c("V1", "V5")] 1.06s 1.06s 0.939 76.5MB 5.64 1 6 1.06s
2 read_sav(temp, col_select = matches("V(1|5)$")) 186.45ms 187.89ms 5.32 528.7KB 0 3 0 563.5ms
数据设置:
test <- as.data.frame(matrix(1:1e7, nrow = 1e4, ncol = 1e3))
temp <- tempfile()
write_sav(test, temp)
# file.remove(temp)