R实现大文本文件数据过滤的方法
使用R语言过滤文件数据是很普遍的操作,但有时我们会遇到比较大的文件,这类文件无法全部读入内存处理,需要采用分批读取、分批过滤、拼合结果的办法来解决。下面用一个例子来说明R实现大文件数据过滤的方法。
有个1G的文件sales.txt,存储着大量订单记录,请过滤出AMOUNT字段值在2000和3000之间的记录。该文件的列分割符为“\t”,前几行数据如下:
R语言解决方案
代码解读:
1行:打开文件句柄
2行:丢掉第一行,也就是列名。
3-4行:读入第一批的十万条数据,过滤后存入result。
5-8行:循环读数。每批次读入十万行数据,过滤后的结果追加到result变量,然后再读入下一批次。
9行:关闭文件句柄。
注意事项:
如果是小文件,则只需一句代码就能完成读数据的操作,第一行还可以设置为数据框的列名,但大文件不能这么实现,需要按批次读取数据,第二批的数据就无法将第一行设为列名了,默认列名会是V1、V2、V3…….。
为了实现大文件按批次读数据,必须使用while语句来实现算法,列名的使用也不够方便,这就使整个代码稍显复杂。
替代方案:
同样的算法也可以用Python、集算器、Perl等语言来解决本案例。和R语言一样,这几种语言都可以实现文件数据的过滤以及结构化数据的计算,下面简单介绍集算器和Python的解决方案。
集算器会自动分批处理数据,程序员无需用循环语句手工控制,因此代码非常简洁:
cursor是集算器中用于结构化数据计算的数据类型,和数据框的用法差不多,但对大文件和复杂计算更擅长。另外,cursor可以用@t选项将文件的第一行读为列名。
Python的代码结构和R差不多,也是手工控制循环,但python本身缺乏数据框或cursor等结构化数据类型,因此代码更底层些:
result = []
myfile = open("E: \\sales.txt",'r')
BUFSIZE = 10240000
myfile.readline()
lines = myfile.readlines(BUFSIZE)
value=0
while lines:
for line in lines:
record=line.split('\t')
AMOUNT=float(record[3])
if (AMOUNT>=2000 and AMOUNT<=3000):
result.append(record)
lines = myfile.readlines(BUFSIZE)
myfile.close()
数据分析咨询请扫描二维码