Question

从一个文本文件我正在阅读二进制数据，结构如下：

0101010100101010101010101010
1010101001010101010101010111
1111101010101010100101010101

该文件有800行。每一行都是相同的长（但在文件之间有所不同，因此对其进行硬编码没有意义）。我希望输入存储在一个数据框中，其中每一行都是一行，每两个数字都存储在不同的列中，例如：

col1 col2 col3 col4
0      1    0    1

目前我正在这样做

as.matrix(read.table(text=gsub("", ' ', readLines("input"))))->g

然而，这需要太长时间，因为每行大约有70,000个0/1。

有更快的方法吗？

Answer 1

您pipe可以使用awk

read.table(pipe("awk '{gsub(/./,\"& \", $1);print $1}' yourfile.txt"))
#   V1 V2 V3 V4 V5 V6 V7 V8 V9 V10 V11 V12 V13 V14 V15 V16 V17 V18 V19 V20 V21
#1  0  1  0  1  0  1  0  1  0   0   1   0   1   0   1   0   1   0   1   0   1
#2  1  0  1  0  1  0  1  0  0   1   0   1   0   1   0   1   0   1   0   1   0
#3  1  1  1  1  1  0  1  0  1   0   1   0   1   0   1   0   1   0   0   1   0
#  V22 V23 V24 V25 V26 V27 V28
#1   0   1   0   1   0   1   0
#2   1   0   1   0   1   1   1
#3   1   0   1   0   1   0   1

或者

read.table(pipe("awk '{gsub(\"\",\" \", $1);print $1}' yourfile.txt"))

fread也可以与awk

结合使用

library(data.table)
fread("awk '{gsub(/./,\"&,\", $1);print $1}' yourfile.txt")

使用与OP数据集类似的数据集

library(stringi)
write.table(stri_rand_strings(800,70000, '[0-1]'), file='binary1.txt',
         row.names=FALSE, quote=FALSE, col.names=FALSE)

system.time(fread("awk '{gsub(/./,\"&,\", $1);print $1}' binary1.txt"))
#  user  system elapsed 
#16.444   0.108  16.542

Answer 2

我建议从“readr”包中探索read_fwf。你可以这样做：

library(readr)
len <- nchar(readLines("yourfile.txt", n = 1))
read_fwf("yourfile.txt", fwf_widths(rep(1, len)))

或者，您可以尝试the "iotools" package，这可能会更快：

library(iotools)
len <- nchar(readLines("yourfile.txt", n = 1))
input.file("yourfile.txt", formatter = dstrfw, 
            col_types = rep("integer", len), widths = rep(1, len))

这是一个小POC：

a <- tempfile()

writeLines("0101010100101010101010101010
1010101001010101010101010111
1111101010101010100101010101", a)

len <- nchar(readLines(a, n = 1))

library(readr)
read_fwf(a, fwf_widths(rep(1, len)))
# Source: local data frame [3 x 28]
# 
#   X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 X13 X14 X15 X16 X17 X18 X19 X20 X21 X22 X23 X24 X25 X26 X27 X28
# 1  0  1  0  1  0  1  0  1  0   0   1   0   1   0   1   0   1   0   1   0   1   0   1   0   1   0   1   0
# 2  1  0  1  0  1  0  1  0  0   1   0   1   0   1   0   1   0   1   0   1   0   1   0   1   0   1   1   1
# 3  1  1  1  1  1  0  1  0  1   0   1   0   1   0   1   0   1   0   0   1   0   1   0   1   0   1   0   1

您的数据维度确实会使read_fwf窒息。我做了一个小测试，将“iotools”方法与awk + fread进行比较。

以下是示例数据：

## Creates a file named "somefile.txt"
set.seed(1)
A <- replicate(10, sample(0:1, 70000, TRUE), FALSE)
A <- sapply(A, paste, collapse = "")
writeLines(rep(A, 800/length(A)), "somefile.txt")

以下是功能和结果。我已经编写了这些函数，您应该可以在实际数据上尝试它们，看看哪种方法最适合您。

显然，在这个阶段似乎readr不合适： - ）

Freadr <- function(infile = "somefile.txt") {
  len <- nchar(readLines(infile, n = 1))
  read_fwf(infile, fwf_widths(rep(1, len)))
}
system.time(temp1 <- Freadr())
# |===============================================================| 100%   53 MB
#    user  system elapsed 
# 466.740   0.384 466.506 

Fiotools <- function(infile = "somefile.txt") {
  len <- nchar(readLines(infile, n = 1))
  input.file(infile, formatter = dstrfw, 
             col_types = rep("integer", len), widths = rep(1, len))
}
system.time(temp2 <- Fiotools())
#    user  system elapsed 
#   7.248   0.016   7.273 

Fawk <- function(infile = "somefile.txt") {
  cmd <- sprintf("awk '{gsub(/./,\"&,\", $1);print $1}' %s", infile)
  fread(cmd)
}
system.time(temp3 <- Fawk())
#    user  system elapsed 
#  12.948   0.156  13.109

就此而言，使用基数R也不错：

fun4 <- function(infile = "somefile.txt") {
  do.call(rbind, lapply(strsplit(readLines(infile), "", TRUE), as.numeric))
}
system.time(fun4())
#    user  system elapsed 
#   9.056   0.260   9.304

结果有matrix，因此您可能需要添加几秒钟才能转换为data.frame或data.table，如果这真的是您想要的。

Answer 3

从后续问题，数据结构和原始解决方案看来，您似乎需要一个矩阵（因为所有列都属于同一类型），而不是在主体中指示的data.frame问题（并导致问题下游！）。数据似乎不太大，所以读入并分成单个字母

lns = strsplit(readLines("somefile.txt"), "")

然后取消列表，将字符串与整数匹配，并重新整形为矩阵

v = match(unlist(lns), c("0", "1")) - 1L
m = matrix(v, nrow=length(lns), byrow=TRUE)

或作为一项功能

input2matrix <- function(fname) {
    lns = strsplit(readLines("somefile.txt"), "")
    v = match(unlist(lns), c("0", "1")) - 1L
    matrix(v, nrow=length(lns), byrow=TRUE)
}

对于800 x 70000线路示例，这需要大约5秒。从与其他响应的比较来看，它也比所有其他解决方案更快（我无法轻松安装iotools，抱怨C级缺失符号Rspace）并且不会对操作系统和OS工具的可用性做出假设（以及除了R之外的那些工具。）。

将二进制数据有效地读入R.

3 个答案: