如何使用R“ readLines”命令從大文件中讀取選定的行並將其寫入數據幀？

Question

我從事數據清理。 我有一個函數，可以識別大型輸入文件中的不良行（給定我的RAM大小，太大而無法讀取），並將不良行的行號作為向量badRows 。 此功能似乎起作用。

我現在試圖將不良行僅讀取到數據幀中，但迄今為止未成功。

我當前的方法是在打開的文件連接上使用read.table ，使用行數向量在要讀取的每一行之間跳過。 對於連續的壞行，此數字為零。

我將skipVec計算為：

(badRowNumbers - c(0, badRowNumbers[1:(length(badRowNumbers-1]))-1

但是目前，我只是給我的函數一個全零的skipVec向量。

如果我的邏輯正確，則應返回所有行。 它不是。 相反，我得到一個錯誤：

“ read.table（con，skip = pass，nrow = 1，header = TRUE，sep =“”）中的錯誤：輸入中無可用行”

我當前的功能大致是基於Miron Kursa（“ mbq”）的功能，我在這里找到了該功能 。

我的問題與那個問題有些重復，但是我認為他的功能有效，所以我以某種方式打破了它。 我仍在嘗試了解打開文件和打開文件連接之間的區別，並且我懷疑問題出在某處或使用lapply 。

我在帶有3gig ram的老舊Windows XP SP3機器上在RStudio 0.97.551下運行R 3.0.1。 我知道石器時代。

這是產生上述錯誤消息的代碼：

# Make a small small test data frame, write it to a file, and read it back in 
# a row at a time.
testThis.DF <- data.frame(nnn=c(2,3,5), fff=c("aa", "bb", "cc"))  
testThis.DF 

# This function will work only if the number of bad rows is not too big for memory
write.table(testThis.DF, "testThis.DF")
con<-file("testThis.DF")
open(con)
skipVec <- c(0,0,0)
badRows.DF  <- lapply(skipVec, FUN=function(pass){
  read.table(con, skip=pass, nrow=1, header=TRUE, sep="") })
close(con)

該錯誤發生在關閉命令之前。 如果我從lapply和函數中抽出了readLines命令，然后將其單獨粘貼，則仍然會遇到相同的錯誤。

Answer 1

如果不是通過lapply運行read.table而是手動運行前幾個迭代，那么您會看到發生了什么：

> read.table(con, skip=0, nrow=1, header=TRUE, sep="")
  nnn fff
1   2  aa
> read.table(con, skip=0, nrow=1, header=TRUE, sep="")
  X2 X3 bb
1  3  5 cc

因為header = TRUE ，所以每次迭代讀取的不是一行，而是兩次，因此最終您的行數比您想像的快，在第三次迭代中：

> read.table(con, skip=0, nrow=1, header=TRUE, sep="")
Error in read.table(con, skip = 0, nrow = 1, header = TRUE, sep = "") : 
  no lines available in input

現在，這可能仍然不是解決問題的非常有效的方法，但是，這是解決當前代碼的方法：

write.table(testThis.DF, "testThis.DF")
con <- file("testThis.DF")
open(con)
header <- scan(con, what = character(), nlines = 1, quiet = TRUE)
skipVec <- c(0,1,0)
badRows <- lapply(skipVec, function(pass){
  line <- read.table(con, nrow = 1, header = FALSE, sep = "",
                     row.names = 1)
  if (pass) NULL else line
  })
badRows.DF <- setNames(do.call(rbind, badRows), header)
close(con)

有關提高速度的一些線索：

1. 使用scan而不是read.table 。 將數據作為character讀取，並且僅在最后將數據放入字符矩陣或data.frame之后，將type.convert應用於每一列。
2. 相反，遍歷的skipVec ，遍歷其rle如果要短得多。 這樣您就可以一次讀取或跳過幾行。