我有一个问题,我正在尝试从csv文件中读取大量数据(可能将大约8000万行分成大约200个文件(
某些文件结构不佳。在几十万行之后,由于某种原因,这些行以逗号 (","( 结尾,但此逗号后面没有其他信息。一个简短的例子来说明这种行为:
a,b,c
1,2,3
d,e,f,
4,5,6,
这些行有 19 列。我尝试手动告诉 readcsv 将其读取为 20 列,使用 colClasses 和 col.names 和 fill=TRUE
all.files <- list.files(getwd(), full.names=T, recursive=T)
lapply(all.files, fread,
select=c(5,6,9),
col.names=paste0("V",seq_len(20)),
#colClasses=c("V1"="character","V2"="character","V3"="integer"),
colClasses=c(<all 20 data types, 20th arbitrarily as integer>),
fill=T)
我尝试的另一种解决方法是根本不使用fread,通过
data <- lapply(all.files, readLines)
data <- unlist(data)
data <- as.data.table(tstrsplit(data,","))
data <- data[, c("V5","V6","V9"), with=F]
但是,这种方法会导致"错误:内存耗尽",我相信可以通过实际仅读取所需的 3 列而不是所有 19 列来解决。
非常感谢有关如何在这种情况下使用fread的任何提示。
您可以尝试按如下方式使用 readr::read_csv
:
library(readr)
txt <- "a,b,c
1,2,3
d,e,f,
4,5,6,"
read_csv(txt)
结果为预期结果:
# A tibble: 3 × 3
a b c
<chr> <chr> <chr>
1 1 2 3
2 d e f
3 4 5 6
以及以下警告
Warning: 2 parsing failures.
row col expected actual
2 -- 3 columns 4 columns
3 -- 3 columns 4 columns
若要仅读取特定列,请使用如下cols_only
:
read_csv(txt,
col_types = cols_only(a = col_character(),
c = col_character()))