使用R语言过滤文件数据是很普遍的操作,但有时我们会遇到比较大的文件,这类文件无法全部读入内存处理,需要采用分批读取、分批过滤、拼合结果的办法来解决。下面用一个例子来说明R实现大文件数据过滤的方法。
有个1G的文件sales.txt,存储着大量订单记录,请过滤出AMOUNT字段值在2000和3000之间的记录。该文件的列分割符为“\t”,前几行数据如下:
R语言解决方案
con <- file("E:\\sales.txt", "r")
readLines(con,n=1)
result=read.table(con,nrows=100000,sep="\t")
result<-result[result$V4>=2000 & result$V4<=3000,]
while(length(databatch<-read.table(con,header=FALSE,nrows=100000,sep="\t"))!=0) {
databatch<- databatch [databatch$V4>=2000 & databatch$V4<=3000,]
result<-rbind(result,databatch)
}
close(con)
readLines(con,n=1)
result=read.table(con,nrows=100000,sep="\t")
result<-result[result$V4>=2000 & result$V4<=3000,]
while(length(databatch<-read.table(con,header=FALSE,nrows=100000,sep="\t"))!=0) {
databatch<- databatch [databatch$V4>=2000 & databatch$V4<=3000,]
result<-rbind(result,databatch)
}
close(con)
部分计算结果
代码解读:
1行:打开文件句柄
2行:丢掉第一行,也就是列名。
3-4行:读入第一批的十万条数据,过滤后存入result。
5-8行:循环读数。每批次读入十万行数据,过滤后的结果追加到result变量,然后再读入下一批次。
9行:关闭文件句柄。
注意事项:
如果是小文件,则只需一句代码就能完成读数据的操作,第一行还可以设置为数据框的列名,但大文件不能这么实现,需要按批次读取数据,第二批的数据就无法将第一行设为列名了,默认列名会是V1、V2、V3…….。
为了实现大文件按批次读数据,必须使用while语句来实现算法,列名的使用也不够方便,这就使整个代码稍显复杂。