京公网安备 11010802034615号
经营许可证编号:京B2-20210330
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
若不方便扫码,搜微信号:CDAshujufenxi
做产品立项、写商业计划书、规划市场进入策略时,"市场调研"和"竞品分析"几乎总是被绑在一起说,甚至被当成同一件事。但实际 ...
2026-11-19 在做数据治理、搭数据中台或者梳理数据库表结构时,"主数据"和"参考数据"是被提及频率最高、也最容易被混为一谈的两个概念。 ...
2026-11-19“纲举目张,执本末从。”若想在数据分析领域有所收获,一套合适的学习教材至关重要。一套优质且契合需求的学习教材无疑是那关键 ...
2026-11-19一、什么是本体 在知识图谱和语义建模里,本体(Ontology)是对一个领域内概念、属性、关系和实例的形式化描述。它回答三个问题 ...
2026-11-18一、K-S 曲线解决什么问题 风控评分卡、客户流失模型、欺诈识别模型建好之后,最核心的一个问题是:模型能不能把"会变坏"和"不会 ...
2026-11-18核心资源推荐 CDA教材(2025):https://edu.cda.cn/goods/show/3151CDA模拟题(2025):https://edu.cda.cn/goods/show/2845CD ...
2026-11-18核心资源推荐 CDA教材(2025):https://edu.cda.cn/goods/show/3151CDA模拟题(2025):https://edu.cda.cn/goods/show/2845CD ...
2026-11-18产品上线之后,真正回答"用户是谁、想要什么、卡在哪里"的,往往不是调研问卷,而是用户留下的一条条行为记录。点击、浏览、停留 ...
2026-11-17在日常数据库开发与报表查询中,日期格式几乎是最高频的"打交道"对象:页面上要展示 yyyy-MM-dd,接口要返回 ISO 8601 字符串, ...
2026-11-17核心资源推荐 CDA教材(2025):https://edu.cda.cn/goods/show/3151CDA模拟题(2025):https://edu.cda.cn/goods/show/2845CD ...
2026-11-17一、销售行业为什么离不开大数据分析 销售行业的本质是"把合适的产品,在合适的时间,卖给合适的人,并持续复购"。传统销售靠经 ...
2026-11-16一、什么是频数分布 拿到一批连续数据(员工年龄、商品价格、考试分数、订单金额),最想先看的往往不是平均值,而是数据集中在 ...
2026-11-16教育部办公厅关于成立全国数据职业教育教学指导委员会(2026—2030年)的通知 教职成厅函〔2026〕25号 各省、自治区、直辖市教 ...
2026-11-16CDA数据分析师 出品 作者:李诗怡 基础与单表查询 四大类语言 · 数据库基础 · DQL 单表查询 ” 一、SQL 四大类语言与数据 ...
2026-11-13核心资源推荐 CDA教材(2025):https://edu.cda.cn/goods/show/3151CDA模拟题(2025):https://edu.cda.cn/goods/show/2845CD ...
2026-11-13一、问题从哪来 财务分析里算增长率,常规公式所有人都会写: 增长率本年数上年数上年数 这个公式在"上年为正"时完全成立。但一 ...
2026-11-12一、什么是加权聚类 普通聚类默认"每个样本、每个指标都同等重要":距离公式里每个样本权重都是 1,每个指标在距离计算里占比相 ...
2026-11-12“纲举目张,执本末从。”若想在数据分析领域有所收获,一套合适的学习教材至关重要。一套优质且契合需求的学习教材无疑是那关键 ...
2026-11-12一、需求从哪来 做 Excel 报表时,"从一个透视表取数据"这个需求通常有三种来源: 汇总页引用:明细透视表在另一个 sheet,汇总 ...
2026-11-11一、透视表的价值在哪 一句话概括:数据透视表把"写公式汇总"变成了"拖字段看结果"。 传统做法要写 SUMIFS、COUNTIFS,改一个维 ...
2026-11-11