作者:Jared P. Lander
来源:大数据DT(ID:hzdashuju)
编自:《R语言:实用数据分析和可视化技术》(原书第2版)
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):
http://www.jaredlander.com/data/TomatoFirst.csv
> theUrl <-"http://www.jaredlander.com/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。
01、 read_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 <- "http://www.jaredlander.com/data/TomatoFirst.csv" > tomato2 <- read_delim(file=theUrl, delim=',') Parsed with column specification: 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(), `Avg of Totals` = col_double(), `Total of Avg` = 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。
02 、fread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 <- "http://www.jaredlander.com/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。
数据分析咨询请扫描二维码
CDA数据分析师在中国航信高科技产业园进行了面向测试度量的数据分析培训课程,培训人数近2 ...
2024-05-01CDA数据分析师走进深圳迈瑞生物医疗电子股份有限公司,在迈瑞总部展开了为期两天的培训,本次课程参训人员线上及线下近百人, ...
2024-05-01CDA数据分析师在合肥市对合肥阳光新能源科技有限公司开展了为期8天的企业内训。 合肥阳光新能源科技 ...
2024-05-01CDA数据分析师走进海尔大学,进行了《数据治理与数据中台建设的道与术》专题培训,培训现场爆满,近百人参加了此次培训。 ...
2024-05-01在中国银行苏州分行培训中心开始数据分析师培训,此次培训课程共10天内容,包括Excel、MySQL、概率论与数理统计、SPSS等内容, ...
2024-05-01从实际的业务需求出发,结合行业的典型应用特点,围绕实际的商业问题,探讨数据挖掘、机器学习模型在金融领域的应用,包括获客、信用评分、细分画像、交叉销售、反欺诈、违规识别、时序预测、运筹优化、流程挖掘九个方面,形成 ...
2024-05-01本次培训课程为线上+线下的模式,由于学员编程能力不一、部分学员没有编程基础,故提供统计学、python基 ...
2024-05-01华夏银行信用卡中心-机器学习培训 1、课程亮点 取材于业界一流企业和顶级咨询公司的行业实践;已经被证明是人人 ...
2024-05-01主 题:数据中台建设及数据分析应用主题分享 1. 数据中台市场洞察 2. 主流数据中台产品比较 3. 某企业数据中 ...
2024-05-01围绕“数据驱动”战略,全力打造我行 300 人数字化人才梯队,着力培养数字化管理人才、大数据专业团队 ...
2024-05-01在当今数据驱动的商业环境中,数据分析成为了企业决策的重要依据。通过对大量数据的收集、处理和分析,企业能够更好地理解市场 ...
2024-04-29在人工智能(AI)的世界里,提示词(Prompt)是一种强大的工具,它能够引导AI按照用户的需求产生特定的输出。本文将深入探讨AI ...
2024-04-29CDA立足未来职场,拓展前沿视野——对外经贸大学保险学院举办“三全育人大讲堂”分享行业最新动态。 ...
2024-04-294月2日,CDA数据分析师创始发起人兼协会理事长赵坚毅博士受邀在浙江万里学院举办了一场以“数字化能力在职场中的作用” ...
2024-04-29随机森林(Random Forests)现在机器学习中比较火的一个算法,是一种基于Bagging的集成学习方法,能够很好地处理分类和回归的问 ...
2022-12-23方差分析是数据分析中常用的一种统计分析方法,接下来让我们简单了解一下方差分析的基本思想和原理吧。 方差分析(Analysis ...
2022-12-23来源:关于数据分析与可视化 关于streamlit-aggrid 数据排序 表格样式的调整 数据 ...
2022-08-03作者:麦叔 定义 「把上面晦涩的概念汇成一句话就是:」 ❝ 回调函数就是一个被作为参 ...
2022-08-03现今,高学历人群日益增多,物以稀为贵的高学历光环淡去。无论本科生还是研究生,甚至博士生,求职竞争力都大不如前,就业压力越来越大。
2022-06-01某家企业10个人面试,有9个本科生……如何脱颖而出,除得体的举止和良好的沟通力外,证书成重要筹码,这也是很多人考证的关键所在。
2022-04-14