读取固定宽度的大数据

Question

如何读取固定宽度格式的大数据？我阅读了this 问题并尝试了一些提示，但所有答案都是针对分隔数据（如 .csv），这不是我的情况。数据有558MB，不知道有多少行。

我正在使用：

dados <- read.fwf('TS_MATRICULA_RS.txt', width=c(5, 13, 14, 3, 3, 5, 4, 6, 6, 6, 1, 1, 1, 4, 3, 2, 9, 3, 2, 9, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
    1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 3, 4, 11, 9, 2, 3, 9, 3, 2, 9, 9, 1, 1, 1, 1, 2, 1, 1, 1, 1, 1, 1, 1, 1), stringsAsFactors=FALSE, comment.char='', 
    colClasses=c('integer', 'integer', 'integer', 'integer', 'integer', 'integer', 'integer', 'integer', 'integer', 'integer', 'character', 'character', 'character',
    'integer', 'integer', 'character', 'integer', 'integer', 'character', 'integer', 'character', 'character', 'character', 'character', 'character', 'character',
    'character', 'character', 'character', 'character', 'character', 'character', 'character', 'character', 'character', 'character', 'character', 'character',
    'character', 'character', 'character', 'character', 'character', 'character', 'character', 'character', 'character', 'character', 'character', 'integer',
    'integer', 'integer', 'integer', 'integer', 'integer', 'integer', 'integer', 'character', 'integer', 'integer', 'character', 'character', 'character',
    'character', 'integer', 'character', 'character', 'character', 'character', 'character', 'character', 'character', 'character'), buffersize=180000)

但读取数据需要 30 分钟（而且还在继续……）。有什么新建议吗？

Answer 1

这是一个纯 R 解决方案，使用新软件包 readr，由 Hadley Wickham 和 RStudio 团队创建，于 2015 年 4 月发布。更多信息 here。代码就这么简单：

library(readr)

my.data.frame <- read_fwf('TS_MATRICULA_RS.txt',
                      fwf_widths(c(5, 13, 14, 3, 3, 5, 4, 6, 6, 6, 1, 1, 1, 4, 3, 2, 9, 3, 2, 9, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 3, 4, 11, 9, 2, 3, 9, 3, 2, 9, 9, 1, 1, 1, 1, 2, 1, 1, 1, 1, 1, 1, 1, 1)),
                      progress = interactive())

read_fwf{readr}的优势

• readr 基于 LaF 但令人惊讶的是更快。显示为the fasted method to read fixed-width files in R
• 它比其他替代方案更简单。例如您无需担心column_types，因为它们将根据输入的前 30 行进行估算。
• 它带有一个进度条；）

Answer 2

LaF 包非常擅长快速读取固定宽度的文件。我每天都使用它来加载 +/- 100Mio 记录的文件，其中包含 30 列（没有你拥有的那么多字符列 - 主要是数字数据和一些因素）。而且速度非常快。所以这就是我要做的。

library(LaF)
library(ffbase)
my.data.laf <- laf_open_fwf('TS_MATRICULA_RS.txt', 
                  column_widths=c(5, 13, 14, 3, 3, 5, 4, 6, 6, 6, 1, 1, 1, 4, 3, 2, 9, 3, 2, 9, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 3, 4, 11, 9, 2, 3, 9, 3, 2, 9, 9, 1, 1, 1, 1, 2, 1, 1, 1, 1, 1, 1, 1, 1), stringsAsFactors=FALSE, comment.char='', 
                  column_types=c('integer', 'integer', 'integer', 'integer', 'integer', 'integer', 'integer', 'integer', 'integer', 'integer', 'categorical', 'categorical', 'categorical',
                               'integer', 'integer', 'categorical', 'integer', 'integer', 'categorical', 'integer', 'categorical', 'categorical', 'categorical', 'categorical', 'categorical', 'categorical',
                               'categorical', 'categorical', 'categorical', 'categorical', 'categorical', 'categorical', 'categorical', 'categorical', 'categorical', 'categorical', 'categorical', 'categorical',
                               'categorical', 'categorical', 'categorical', 'categorical', 'categorical', 'categorical', 'categorical', 'categorical', 'categorical', 'categorical', 'categorical', 'integer',
                               'integer', 'integer', 'integer', 'integer', 'integer', 'integer', 'integer', 'categorical', 'integer', 'integer', 'categorical', 'categorical', 'categorical',
                               'categorical', 'integer', 'categorical', 'categorical', 'categorical', 'categorical', 'categorical', 'categorical', 'categorical', 'categorical'))
my.data <- laf_to_ffdf(my.data.laf, nrows=1000000)
my.data.in.ram <- as.data.frame(my.data)

PS。我开始使用 LaF 包是因为我对 read.fwf 的缓慢感到恼火，而且我最初用来解析数据的 PL/SQL PostgreSQL 代码变得难以维护。

Answer 3

如果没有足够的数据详细信息，很难给出具体答案，但这里有一些想法可以帮助您入门：

首先，如果您使用的是 Unix 系统，则可以使用 wc 命令获取有关文件的一些信息。例如wc -l TS_MATRICULA_RS.txt 将告诉您文件中有多少行，wc -L TS_MATRICULA_RS.txt 将报告文件中最长行的长度。知道这可能很有用。同样，head 和 tail 可以让您检查文本文件的第一行和最后 10 行。

第二，一些建议：既然您似乎知道每个字段的宽度，我会推荐两种方法中的一种。

方案一：csvkit+你最喜欢的快速读取大数据的方法

csvkit 是一组用于处理 CSV 文件的 Python 工具。其中一个工具是in2csv，它采用一个固定宽度格式的文件和一个“模式”文件来创建一个可以与其他程序一起使用的适当的 CSV。

架构文件本身是一个包含三列的 CSV 文件：(1) 变量名称、(2) 起始位置和 (3) 宽度。一个例子（来自in2csv 手册页）是：

    column,start,length
    name,0,30 
    birthday,30,10 
    age,40,3

创建该文件后，您应该可以使用以下内容：

in2csv -f fixed -s path/to/schemafile.csv path/to/TS_MATRICULA_RS.txt > TS_MATRICULA_RS.csv

从那里，我建议研究使用“data.table”中的fread 或使用sqldf 读取数据。

选项 2：sqldf 使用 substr

在像您这样的大型数据文件上使用sqldf 实际上应该很快，并且您可以使用substr 准确指定要读取的内容。

同样，这将期望您有一个可用的架构文件，就像上面描述的那样。获得架构文件后，您可以执行以下操作：

temp <- read.csv("mySchemaFile.csv")

## Construct your "substr" command
GetMe <- paste("select", 
               paste("substr(V1, ", temp$start, ", ",
                     temp$length, ") `", temp$column, "`", 
                     sep = "", collapse = ", "), 
               "from fixed", sep = " ")

## Load "sqldf"
library(sqldf)

## Connect to your file
fixed <- file("TS_MATRICULA_RS.txt")
myDF <- sqldf(GetMe, file.format = list(sep = "_"))

---

由于您知道宽度，您可以跳过架构文件的生成。从宽度上看，cumsum 只需要一点点工作。这是一个基本示例，基于read.fwf 的第一个示例：

ff <- tempfile()
cat(file = ff, "123456", "987654", sep = "\n")
read.fwf(ff, widths = c(1, 2, 3))

widths <- c(1, 2, 3)
length <- cumsum(widths)
start <- length - widths + 1
column <- paste("V", seq_along(length), sep = "")

GetMe <- paste("select", 
               paste("substr(V1, ", start, ", ",
                     widths, ") `", column, "`", 
                     sep = "", collapse = ", "), 
               "from fixed", sep = " ")

library(sqldf)

## Connect to your file
fixed <- file(ff)
myDF <- sqldf(GetMe, file.format = list(sep = "_"))
myDF
unlink(ff)