导读:R语言有许多种方法去获取数据,最常用的是读取CSV文件。
作者:Jared P. Lander
来源:大数据DT(ID:hzdashuju)
读取CSV文件最好的方法是使用read.table
函数,许多人喜欢使用read.csv
函数,该函数其实是封装的read.table
函数,同时设置read.table
函数的sep
参数为逗号(",
")。read.table
函数返回的结果为data.frame
。
read.table
函数的第一个参数为文件所在路径,可以是本地文件,也可以是网页上的文件。本书主要是从网页读取文件。
任意CSV文件都可以读取,这里使用read.table
函数读取一个简单的文件(地址如下):
/data/TomatoFirst.csv
>theUrl<-"/data/TomatoFirst.csv">tomato<-read.table(file=theUrl,header=TRUE,sep=",")
利用head
命令,我们可以看到下面的结果。
>head(tomato)
如前面所述,第一个参数是文件名(或字符型变量)。注意我们如何显式地使用参数名file
、head
和sep
。函数的参数能够按位置顺序赋值,而不用显式指定参数名,但指定参数名是最佳实践。
第二个参数header
,表示数据的第一行,即列名。第三个参数sed
,表示数据的分隔符。可以设为“\t
”(tab分隔符)或者“;
”(分号分隔符),以读取不同类型的文件。
常用但不被熟知的参数是stringAsFactors
。将该参数设为FALSE
(默认是TRUE
)可使字符所在列不被转换成factor
列。这样既节省计算时间(当大数据集包含许多字符列,也意味着有许多唯一值),又能保留列为字符。
stringAsFactors
参数也可以用在data.frame
中。再次创建“Sport”列。
>x<-10:1>y<--4:5>q<-c("Hockey","Football","Baseball","Curling","Rugby",+"Lacrosse","Basketball","Tennis","Cricket","Soccer")>theDF<-data.frame(First=x,Second=y,Sport=q,stringsAsFac=FALSE)>theDF$Sport
read.table
函数还有许多参数,最常用的是quote
和colClasses
参数,分别设置字符的包围符和每列的数据类型。
类似read.csv
函数,也有其他用于read.table
的封装函数,也有默认参数。它们主要的区别是sep
和dec
参数。详细情况见表6-1。
▲表6-1 读取大文本文件的函数及其默认参数
大文件使用read.table
函数读取到内存比较慢,幸运的是有解决方案。读取大CSV文件和其他文本文件的两个主流的函数是read_delim
和fread
,前者在readr
包中由Hadley Wickham实现,后者在data.table
包中由Matt Dowle实现。read_delim
和fread
运行相当快,因为两者都不把字符数据自动转换成factor
。
01read_delim函数
readr
包提供读取文本文件的一系列函数。最常用的是read_delim
函数,读取有分隔符的文件,比如CSV文件。该函数的第一个参数是读取的文件路径或者URL。col_names
默认为TRUE
,指定文件的第一行为列名。
>library(readr)>theUrl<-"/data/TomatoFirst.csv">tomato2<-read_delim(file=theUrl,delim=',')Parsedwithcolumnspecification:cols(Round=col_integer(),Tomato=col_character(),Price=col_double(),Source=col_character(),Sweet=col_double(),Acid=col_double(),Color=col_double(),Texture=col_double(),Overall=col_double(),`AvgofTotals`=col_double(),`TotalofAvg`=col_double())
read_delim
函数执行后会打印列名和数据类型信息,这些信息也可以使用head.read_delim
函数获得。readr
包中的所有数据提取函数返回的是tibble
,该数据类型是data.frame
的扩展。最明显的变化是打印的元数据,比如行列数和每列的数据类型。tibble
会适应屏幕大小打印相应条数的行列数据。
>tomato2
read_delim
函数不仅仅读取速度比read.table
函数快,而且不需要设置stringAsFactors
参数为FALSE
。read_csv
、read_csv2
和read_tsv
函数是read.table
函数分隔符分别为逗号(,
)、分号(;
)和tab(\t
)的特殊情况。
注意,数据读取为tbl_df
对象,它是tbl
的扩展,也是data.frame
的扩展。tbl
是data.frame
的特殊类型,它在dplyr
包中定义。每列的数据类型显示在列名的下面,这是个很好的功能。
readr
包有一些对read_delim
函数封装(预置分隔符)的辅助函数,比如read_csv
函数和read_tsv
函数。
02fread函数
另一个读取大量数据的函数是data.table
包的fread
函数。第一个参数是读取的文件路径或者URL。header
参数表示文件的第一行是列名,sep
指定分隔符。该函数的stringAsFactors
参数默认设为FALSE
。
>library(data.table)>theUrl<-"/data/TomatoFirst.csv">tomato3<-fread(input=theUrl,sep=',',header=TRUE)
这里也可以使用head函数查看前几行数据:
>head(tomato3)
该函数读取速度比read.table
函数快,结果为data.table
对象。data.table
对象是data.frame
的扩展,其是data.frame
的优化。
read_delim
或者fread
函数读取文件都非常快,具体使用哪个函数取决于dplyr
或者data.table
包中哪个更适合数据处理。
关于作者:贾里德 P. 兰德(Jared P. Lander),资深数据专家,Lander Analytics公司创始人兼CEO,纽约开放统计编程聚会负责人,哥伦比亚大学统计学兼职教授。在数据管理、多层次模型、机器学习、广义线性模型、可视化、数据管理和统计计算等多个领域拥有丰富经验。
本文摘编自《R语言:实用数据分析和可视化技术》(原书第2版),经出版方授权发布。
延伸阅读《R语言:实用数据分析和可视化技术》
点击上图了解及购买
转载请联系微信:DoctorData
推荐语:本书借鉴数据科学家Jared P. Lander在R语言上丰富的教学经验,通过大量实例,详细讲解R语言的核心功能。对于刚接触统计程序和模型的人,本书的内容组织结构使得学习R语言相当简单和直观。本书主要介绍R语言中20%的核心功能,但是这20%的功能足以让你解决80%的现代数据分析。
划重点????
干货直达????
西安交大送大一新生这本书,你读过吗?12本有趣有料的科普书盘点
终于有人把AI、BI、大数据、数据科学讲明白了
监督学习、非监督学习、强化学习都是什么?终于有人讲明白了
一条SQL引发的“血案”:与SQL优化相关的4个案例
更多精彩????
在公众号对话框输入以下关键词
查看更多优质内容!
PPT|读书|书单|硬核|干货|讲明白|神操作
大数据|云计算|数据库|Python|可视化
AI|人工智能|机器学习|深度学习|NLP
5G|中台|用户画像|1024|数学|算法|数字孪生
据统计,99%的大咖都完成了这个神操作
????