Question

我有一个包含大量数据的大文件，我想将其读入数据框，但发现了一些无效的行。这些无效行导致read.table中断。我尝试以下方法来跳过无效行，但似乎性能非常差。

counts<-count.fields(textConnection(lines),sep="\001")
raw_data<-read.table(textConnection(lines[counts == 34]), sep="\001")

有没有更好的方法来实现这一目标？谢谢

Answer 1

使用@PaulHiemstra的样本数据：

read.table("test.csv", sep = ";", fill=TRUE)

然后你按照自己的意愿照顾那些。

Answer 2

你可以做的是迭代文件中的行，并且只添加具有正确长度的行。

我定义了以下测试csv文件：

1;2;3;4
1;2;3;4
1;2;3
1;2;3;4

使用read.table失败：

> read.table("test.csv", sep = ";")
Error in scan(file, what, nmax, sep, dec, quote, skip, nlines, na.strings,  :                                                                       
  line 3 did not have 4 elements

现在是一种迭代方法：

require(plyr)
no_lines = 4
correct_length = 4
file_con = file("test.csv", "r")
result = ldply(1:no_lines, function(line) {
   dum = strsplit(readLines(file_con, n = 1), split = ";")[[1]]
   if(length(dum) == correct_length) {
     return(dum)
   } else {
     cat(sprintf("Skipped line %s\n", line))
     return(NULL)
   }
  })
close(file_con)

> result
  V1 V2 V3 V4
1  1  2  3  4
2  1  2  3  4
3  1  2  3  4

当然，这是一个简单的例子，因为文件非常小。让我们创建一个更具挑战性的例子来充当基准。

# First file with invalid rows
norow = 10e5    # number of rows
no_lines = round(runif(norow, min = 3, max = 4))
no_lines[1] = correct_length
file_content = ldply(no_lines, function(line) paste(1:line, collapse = ";"))
writeLines(paste(file_content[[1]], sep = "\n"), "big_test.csv")

# Same length with valid rows
file_content = ldply(rep(4, norow), function(line) paste(1:line, collapse = ";"))
writeLines(paste(file_content[[1]], sep = "\n"), "big_normal.csv")

现在是基准

# Iterative approach
system.time({file_con <- file("big_test.csv", "r")
    result_test <- ldply(1:norow, function(line) {
       dum = strsplit(readLines(file_con, n = 1), split = ";")[[1]]
       if(length(dum) == correct_length) {
         return(dum)
       } else {
         # Commenting this speeds up by 30%
         #cat(sprintf("Skipped line %s\n", line))
         return(NULL)
       }
      })
    close(file_con)})
   user  system elapsed 
 20.559   0.047  20.775

# Normal read.table
system.time(result_normal <- read.table("big_normal.csv", sep = ";"))
   user  system elapsed 
  1.060   0.015   1.079 

# read.table with fill = TRUE
system.time({result_fill <- read.table("big_test.csv", sep = ";", fill=TRUE)
             na_rows <- complete.cases(result_fill)
             result_fill <- result_fill[-na_rows,]})
   user  system elapsed 
  1.161   0.033   1.203 

# Specifying which type the columns are (e.g. character or numeric)
# using the colClasses argument.
system.time({result_fill <- read.table("big_test.csv", sep = ";", fill=TRUE, 
                                       colClasses = rep("numeric", 4))
             na_rows <- complete.cases(result_fill)
             result_fill <- result_fill[-na_rows,]})
   user  system elapsed 
  0.933   0.064   1.001

因此迭代方法相当慢，但100万行的20秒可能是可以接受的（尽管这取决于您对可接受的定义）。特别是当您只需要这一次，而不是使用save进行保存以便以后检索。 @Paolo建议的解决方案几乎与正常调用read.table一样快。使用NA消除包含错误列数（因此complete.cases）的行。指定列的哪些类可以进一步提高性能，我认为当列数和行数变大时，这种效果会更大。

因此，最后，最好的选择是将read.table与fill = TRUE一起使用，同时指定列的类。使用ldply的迭代方法只是一个很好的选择，如果你想要更灵活地选择如何读取行，例如仅当某个值高于阈值时才读取该行。但是可能通过将所有数据读入R而不是创建子集可以更快地完成。只有当数据大于你的RAM时，我才能想象迭代方法有其优点。

从R中的文件读取数据帧时如何跳过无效行？

2 个答案: