5

我有很多（数十万）相当大（> 0.5MB）的文件，其中数据是数字的，但用逗号作为小数分隔符。对我来说使用像sed "s/,/./g". 当分隔符是点时，我只使用textscan(fid, '%f%f%f')，但我看不到更改小数分隔符的选项。如何以有效的方式读取这样的文件？

文件中的示例行：

5,040000    18,040000   -0,030000

注意： R 有一个类似的问题，但我使用 Matlab。

4

4 回答 4

4

使用测试脚本，我发现系数小于 1.5。我的代码看起来像：

tmco = {'NumHeaderLines', 1      , ...
        'NumColumns'    , 5      , ...
        'ConvString'    , '%f'   , ...
        'InfoLevel'     , 0      , ...
        'ReadMode'      , 'block', ...
        'ReplaceChar'   , {',.'} } ;

A = txt2mat(filename, tmco{:});

注意不同的 'ReplaceChar' 值和 'ReadMode' 'block'。

在我的（不是太新的）机器上，我得到了一个 ~5MB 文件的以下结果：

  • txt2mat 测试逗号平均值。时间：0.63231
  • txt2mat 测试点平均值 时间：0.45715
  • textscan 测试点平均值 时间：0.4787

我的测试脚本的完整代码：

%% generate sample files

fdot = 'C:\temp\cDot.txt';
fcom = 'C:\temp\cCom.txt';

c = 5;       % # columns
r = 100000;  % # rows
test = round(1e8*rand(r,c))/1e6;
tdot = sprintf([repmat('%f ', 1,c), '\r\n'], test.'); % '
tdot = ['a header line', char([13,10]), tdot];

tcom = strrep(tdot,'.',',');

% write dot file
fid = fopen(fdot,'w');
fprintf(fid, '%s', tdot);
fclose(fid);
% write comma file
fid = fopen(fcom,'w');
fprintf(fid, '%s', tcom);
fclose(fid);

disp('-----')

%% read back sample files with txt2mat and textscan

% txt2mat-options with comma decimal sep.
tmco = {'NumHeaderLines', 1      , ...
        'NumColumns'    , 5      , ...
        'ConvString'    , '%f'   , ...
        'InfoLevel'     , 0      , ...
        'ReadMode'      , 'block', ...
        'ReplaceChar'   , {',.'} } ;

% txt2mat-options with dot decimal sep.
tmdo = {'NumHeaderLines', 1      , ...
        'NumColumns'    , 5      , ...
        'ConvString'    , '%f'   , ...
        'InfoLevel'     , 0      , ...
        'ReadMode'      , 'block'} ;

% textscan-options
tsco = {'HeaderLines'   , 1      , ...
        'CollectOutput' , true   } ;


A = txt2mat(fcom, tmco{:});
B = txt2mat(fdot, tmdo{:});

fid = fopen(fdot);
C = textscan(fid, repmat('%f',1,c) , tsco{:} );
fclose(fid);
C = C{1};

disp(['txt2mat  test comma (1=Ok): ' num2str(isequal(A,test)) ])
disp(['txt2mat  test dot   (1=Ok): ' num2str(isequal(B,test)) ])
disp(['textscan test dot   (1=Ok): ' num2str(isequal(C,test)) ])
disp('-----')

%% speed test

numTest = 20;

% A) txt2mat with comma
tic
for k = 1:numTest
    A = txt2mat(fcom, tmco{:});
    clear A
end
ttmc = toc;
disp(['txt2mat  test comma avg. time: ' num2str(ttmc/numTest) ])

% B) txt2mat with dot
tic
for k = 1:numTest
    B = txt2mat(fdot, tmdo{:});
    clear B
end
ttmd = toc;
disp(['txt2mat  test dot   avg. time: ' num2str(ttmd/numTest) ])

% C) textscan with dot
tic
for k = 1:numTest
    fid = fopen(fdot);
    C = textscan(fid, repmat('%f',1,c) , tsco{:} );
    fclose(fid);
    C = C{1};
    clear C
end
ttsc = toc;
disp(['textscan test dot   avg. time: ' num2str(ttsc/numTest) ])
disp('-----')
于 2011-12-13T10:41:23.393 回答
0

您可以使用txt2mat.

A = txt2mat('data.txt');

它将自动处理数据。但是你可以明确地说：

A = txt2mat('data.txt','ReplaceChar',',.');

PS 这可能效率不高，但如果您只需要特定数据格式的部分，则可以从源文件中复制该部分。

于 2011-11-20T19:51:17.180 回答
0

您可以尝试通过添加标题行数来加速 txt2mat，如果可能的话，还可以添加列数作为绕过其文件分析的输入。与使用点分隔小数的 textscan 导入相比，不应该有 25 倍。（您也可以使用 mathworks 网站上的作者页面与我联系。）如果您找到在 matlab 中处理逗号分隔小数的更有效方法，请告诉我们。

于 2011-12-09T23:45:34.907 回答
0

我的解决方案（假设逗号仅用作小数位，并且空格表示列）：

fid = fopen("FILENAME");
indat = fread(fid, '*char');
fclose(fid);
indat = strrep(indat, ',', '.');
[colA, colB] = strread(indat, '%f %f');

如果您碰巧需要像我一样删除单个标题行，那么这应该可以：

fid = fopen("FILENAME");                  %Open file
indat = fread(fid, '*char');              %Read in the entire file as characters
fclose(fid);                              %Close file
indat = strrep(indat, ',', '.');          %Replace commas with periods
endheader=strfind(indat,13);              %Find first newline
indat=indat(endheader+1:size(indat,2));   %Extract all characters after first new line
[colA, colB] = strread(indat, '%f %f');   %Convert string to numerical data
于 2012-10-08T12:00:35.177 回答