R实现大文本文件数据过滤的方法

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)

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。