我有一个大的(450MB/2.5亿行)由1和0组成的平面文件,看起来像这样…
1
0
0
1
0
1
0
etc...
我正在使用以下方法将其读入R…
dat <- as.numeric(readLines("my_large_file"))
我得到所需的数据结构,但它需要很长时间。有什么建议更快的方法来实现相同的结果?
NB。保持1和0的顺序很重要。我会考虑在python或unix命令行中使用选项,但最终的数据结构需要在R中绘制图形。
对于只希望返回向量的数字文件,使用scan
可能会做得更好。
scan("my_large_file", what = integer())
what
参数将进一步加快读取文件的速度(而不是忽略它),因为您有效地告诉R它将读取整数值。scan
还有许多其他的参数,在处理大型数字文件时会派上用场(例如skip
, nlines
等)
此外,正如@baptiste在评论中提到的,
library(data.table)
fread("my_large_file")
把readLines
和scan
(在我的机器上)都吹走了。
注意:可能是一个错别字,但在你的原始帖子中,我认为readlines
应该是readLines
时序比较两个选项。首先是一些数据。
set.seed(21)
x <- sample.int(2, 25e6, TRUE) - 1L
writeLines(as.character(x),"data")
现在,一些基准测试(每次从一个新的R会话运行,以避免文件被缓存)。
> system.time(r <- as.numeric(readLines("data")))
user system elapsed
5.235 0.447 5.681
> system.time(r <- scan("data",what=numeric()))
Read 25000000 items
user system elapsed
4.199 0.286 4.483
> system.time(r <- scan("data",what=integer()))
Read 25000000 items
user system elapsed
3.134 0.081 3.214
> require(data.table)
> system.time(r <- fread("data")$V1)
user system elapsed
0.412 0.026 0.439
和验证:
> num <- as.numeric(readLines("data"))
> int <- as.integer(readLines("data"))
> sn <- scan("data",what=numeric())
Read 25000000 items
> si <- scan("data",what=integer())
Read 25000000 items
> dti <- fread("data")$V1
> identical(num,sn)
[1] TRUE
> identical(int,si)
[1] TRUE
> identical(int,dti)
[1] TRUE