手把手教你用R语言读取CSV文件

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。