作者：Jared P. Lander

來源：大數(shù)據(jù)DT（ID：hzdashuju）

編自：《R語言：實(shí)用數(shù)據(jù)分析和可視化技術(shù)》（原書第2版）

讀取CSV文件最好的方法是使用read.table函數(shù)，許多人喜歡使用read.csv函數(shù)，該函數(shù)其實(shí)是封裝的read.table函數(shù)，同時(shí)設(shè)置read.table函數(shù)的sep參數(shù)為逗號(",")。read.table函數(shù)返回的結(jié)果為data.frame。

read.table函數(shù)的第一個(gè)參數(shù)為文件所在路徑，可以是本地文件，也可以是網(wǎng)頁上的文件。本書主要是從網(wǎng)頁讀取文件。

任意CSV文件都可以讀取，這里使用read.table函數(shù)讀取一個(gè)簡單的文件（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，我們可以看到下面的結(jié)果。

> head(tomato)

如前面所述，第一個(gè)參數(shù)是文件名（或字符型變量）。注意我們?nèi)绾物@式地使用參數(shù)名file、head和sep。函數(shù)的參數(shù)能夠按位置順序賦值，而不用顯式指定參數(shù)名，但指定參數(shù)名是最佳實(shí)踐。

第二個(gè)參數(shù)header，表示數(shù)據(jù)的第一行，即列名。第三個(gè)參數(shù)sed，表示數(shù)據(jù)的分隔符?？梢栽O(shè)為“\t”（tab分隔符）或者“;”（分號分隔符），以讀取不同類型的文件。

常用但不被熟知的參數(shù)是stringAsFactors。將該參數(shù)設(shè)為FALSE（默認(rèn)是TRUE）可使字符所在列不被轉(zhuǎn)換成factor列。這樣既節(jié)省計(jì)算時(shí)間（當(dāng)大數(shù)據(jù)集包含許多字符列，也意味著有許多唯一值），又能保留列為字符。

stringAsFactors參數(shù)也可以用在data.frame中。再次創(chuàng)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函數(shù)還有許多參數(shù)，最常用的是quote和colClasses參數(shù)，分別設(shè)置字符的包圍符和每列的數(shù)據(jù)類型。

類似read.csv函數(shù)，也有其他用于read.table的封裝函數(shù)，也有默認(rèn)參數(shù)。它們主要的區(qū)別是sep和dec參數(shù)。詳細(xì)情況見表6-1。

▲表6-1 讀取大文本文件的函數(shù)及其默認(rèn)參數(shù)

大文件使用read.table函數(shù)讀取到內(nèi)存比較慢，幸運(yùn)的是有解決方案。讀取大CSV文件和其他文本文件的兩個(gè)主流的函數(shù)是read_delim和fread，前者在readr包中由Hadley Wickham實(shí)現(xiàn)，后者在data.table包中由Matt Dowle實(shí)現(xiàn)。read_delim和fread運(yùn)行相當(dāng)快，因?yàn)閮烧叨疾话炎址麛?shù)據(jù)自動轉(zhuǎn)換成factor。

01、 read_delim函數(shù)

readr包提供讀取文本文件的一系列函數(shù)。最常用的是read_delim函數(shù)，讀取有分隔符的文件，比如CSV文件。該函數(shù)的第一個(gè)參數(shù)是讀取的文件路徑或者URL。col_names默認(rèn)為TRUE，指定文件的第一行為列名。

> 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函數(shù)執(zhí)行后會打印列名和數(shù)據(jù)類型信息，這些信息也可以使用head.read_delim函數(shù)獲得。

readr包中的所有數(shù)據(jù)提取函數(shù)返回的是tibble，該數(shù)據(jù)類型是data.frame的擴(kuò)展。最明顯的變化是打印的元數(shù)據(jù)，比如行列數(shù)和每列的數(shù)據(jù)類型。tibble會適應(yīng)屏幕大小打印相應(yīng)條數(shù)的行列數(shù)據(jù)。

> tomato2

read_delim函數(shù)不僅僅讀取速度比read.table函數(shù)快，而且不需要設(shè)置stringAsFactors參數(shù)為FALSE。read_csv、read_csv2和read_tsv函數(shù)是read.table函數(shù)分隔符分別為逗號（,）、分號（;）和tab（\t）的特殊情況。

注意，數(shù)據(jù)讀取為tbl_df對象，它是tbl的擴(kuò)展，也是data.frame的擴(kuò)展。tbl是data.frame的特殊類型，它在dplyr包中定義。每列的數(shù)據(jù)類型顯示在列名的下面，這是個(gè)很好的功能。

readr包有一些對read_delim函數(shù)封裝（預(yù)置分隔符）的輔助函數(shù)，比如read_csv函數(shù)和read_tsv函數(shù)。

02 、fread函數(shù)

另一個(gè)讀取大量數(shù)據(jù)的函數(shù)是data.table包的fread函數(shù)。第一個(gè)參數(shù)是讀取的文件路徑或者URL。header參數(shù)表示文件的第一行是列名，sep指定分隔符。該函數(shù)的stringAsFactors參數(shù)默認(rèn)設(shè)為FALSE。

> library(data.table)
> theUrl <- "http://www.jaredlander.com/data/TomatoFirst.csv"
> tomato3 <- fread(input=theUrl, sep=',', header=TRUE)

這里也可以使用head函數(shù)查看前幾行數(shù)據(jù)：

> head(tomato3)

該函數(shù)讀取速度比read.table函數(shù)快，結(jié)果為data.table對象。data.table對象是data.frame的擴(kuò)展，其是data.frame的優(yōu)化。

read_delim或者fread函數(shù)讀取文件都非?？?，具體使用哪個(gè)函數(shù)取決于dplyr或者data.table包中哪個(gè)更適合數(shù)據(jù)處理。

關(guān)于作者：賈里德 P. 蘭德（Jared P. Lander），資深數(shù)據(jù)專家，Lander Analytics公司創(chuàng)始人兼CEO，紐約開放統(tǒng)計(jì)編程聚會負(fù)責(zé)人，哥倫比亞大學(xué)統(tǒng)計(jì)學(xué)兼職教授。在數(shù)據(jù)管理、多層次模型、機(jī)器學(xué)習(xí)、廣義線性模型、可視化、數(shù)據(jù)管理和統(tǒng)計(jì)計(jì)算等多個(gè)領(lǐng)域擁有豐富經(jīng)驗(yàn)。