如何仅将满足条件的行从 csv 读取到 R 中？

Question

我正在尝试将一个大型 csv 文件读入 R。我只想读取和处理一些满足特定条件的行（例如 Variable2 >= 3）。这是一个小得多的数据集。

我想将这些行直接读入数据帧，而不是将整个数据集加载到数据帧中，然后根据条件进行选择，因为整个数据集不容易放入内存。

Answer 1

您可以使用函数file（例如file("mydata.csv", open = "r")）以读取模式打开文件。

您可以使用带有选项n = 1、l = readLines(fc, n = 1) 的函数readLines 一次读取一行文件。

然后你必须使用诸如strsplit、正则表达式之类的函数来解析你的字符串，或者你可以尝试包stringr（可从CRAN获得）。

如果该行满足导入数据的条件，则导入。

总而言之，我会这样做：

df = data.frame(var1=character(), var2=int(), stringsAsFactors = FALSE)
fc = file("myfile.csv", open = "r")

i = 0
while(length( (l <- readLines(fc, n = 1) ) > 0 )){ # note the parenthesis surrounding l <- readLines..

   ##parse l here: and check whether you need to import the data.

   if (need_to_add_data){
     i=i+1
     df[i,] = #list of data to import
  }

}

Answer 2

您可以使用sqldf 包中的read.csv.sql 函数并使用SQL 选择进行过滤。来自read.csv.sql的帮助页面：

library(sqldf)
write.csv(iris, "iris.csv", quote = FALSE, row.names = FALSE)
iris2 <- read.csv.sql("iris.csv", 
    sql = "select * from file where `Sepal.Length` > 5", eol = "\n")

Answer 3

您可以分块读取文件，处理每个块，然后仅将子集拼接在一起。

这是一个最小的示例，假设文件有 1001 行（包括标题），并且只有 100 行可以放入内存。数据有 3 列，我们预计最多 150 行满足条件（这是为最终数据预先分配空间所需要的：

# initialize empty data.frame (150 x 3)
max.rows <- 150
final.df <- data.frame(Variable1=rep(NA, max.rows=150), 
                       Variable2=NA,  
                       Variable3=NA)

# read the first chunk outside the loop
temp <- read.csv('big_file.csv', nrows=100, stringsAsFactors=FALSE)
temp <- temp[temp$Variable2 >= 3, ]  ## subset to useful columns
final.df[1:nrow(temp), ] <- temp     ## add to the data
last.row = nrow(temp)                ## keep track of row index, incl. header

for (i in 1:9){    ## nine chunks remaining to be read
  temp <- read.csv('big_file.csv', skip=i*100+1, nrow=100, header=FALSE,
                   stringsAsFactors=FALSE)
  temp <- temp[temp$Variable2 >= 3, ]
  final.df[(last.row+1):(last.row+nrow(temp)), ] <- temp
  last.row <- last.row + nrow(temp)    ## increment the current count
}

final.df <- final.df[1:last.row, ]   ## only keep filled rows
rm(temp)    ## remove last chunk to free memory

编辑：在 cmets 中 @lucacerone 的建议中添加了 stringsAsFactors=FALSE 选项。

Answer 4

到目前为止，最简单的（在我的书中）是使用预处理。

R> DF <- data.frame(n=1:26, l=LETTERS)
R> write.csv(DF, file="/tmp/data.csv", row.names=FALSE)
R> read.csv(pipe("awk 'BEGIN {FS=\",\"} {if ($1 > 20) print $0}' /tmp/data.csv"),
+           header=FALSE)
  V1 V2
1 21  U
2 22  V
3 23  W
4 24  X
5 25  Y
6 26  Z
R> 

这里我们使用awk。我们告诉awk 使用逗号作为字段分隔符，然后使用条件“如果第一个字段大于20”来决定是否打印（整行通过$0）。

R 可以通过pipe() 读取该命令的输出。

这将比将所有内容读入 R 更快、更节省内存。

Answer 5

当我看到这个问题并认为我会做一些基准测试时，我正在研究readr::read_csv_chunked。对于这个例子，read_csv_chunked 做得很好，增加块大小是有益的。 sqldf 只比 awk 快一点。

library(tidyverse)
library(sqldf)
library(data.table)
library(microbenchmark)

# Generate an example dataset with two numeric columns and 5 million rows
tibble(
  norm = rnorm(5e6, mean = 5000, sd = 1000),
  unif = runif(5e6, min = 0, max = 10000)
) %>%
  write_csv('medium.csv')

microbenchmark(
  readr  = read_csv_chunked('medium.csv', callback = DataFrameCallback$new(function(x, pos) subset(x, unif > 9000)), col_types = 'dd', progress = F),
  readr2 = read_csv_chunked('medium.csv', callback = DataFrameCallback$new(function(x, pos) subset(x, unif > 9000)), col_types = 'dd', progress = F, chunk_size = 1000000),
  sqldf  = read.csv.sql('medium.csv', sql = 'select * from file where unif > 9000', eol = '\n'),
  awk    = read.csv(pipe("awk 'BEGIN {FS=\",\"} {if ($2 > 9000) print $0}' medium.csv")),
  awk2   = read_csv(pipe("awk 'BEGIN {FS=\",\"} {if ($2 > 9000) print $0}' medium.csv"), col_types = 'dd', progress = F),
  fread  = fread(cmd = "awk 'BEGIN {FS=\",\"} {if ($2 > 9000) print $0}' medium.csv"),
  check  = function(values) all(sapply(values[-1], function(x) all.equal(values[[1]], x))),
  times  = 10L
)

# Updated 2020-05-29

# Unit: seconds
#   expr   min    lq  mean  median    uq   max neval
#  readr   2.6   2.7   3.1     3.1   3.5   4.0    10
# readr2   2.3   2.3   2.4     2.4   2.6   2.7    10
#  sqldf  14.1  14.1  14.7    14.3  15.2  16.0    10
#    awk  18.2  18.3  18.7    18.5  19.3  19.6    10
#   awk2  18.1  18.2  18.6    18.4  19.1  19.4    10
#  fread  17.9  18.0  18.2    18.1  18.2  18.8    10

# R version 3.6.2 (2019-12-12)
# macOS Mojave 10.14.6        

# data.table 1.12.8
# readr      1.3.1 
# sqldf      0.4-11