手把手教你用R语言读取CSV文件

左手的ㄟ右手 2022-11-30 05:51 233阅读 0赞

![format_png][]

**导读：**R语言有许多种方法去获取数据，最常用的是读取CSV文件。

作者：Jared P. Lander

来源：大数据DT（ID：hzdashuju）

![format_png 1][]

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)

![format_png 2][]

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

![format_png 3][]

`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。

![format_png 4][]

▲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

![format_png 5][]

`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)

![format_png 6][]

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。

本文摘编自《R语言：实用数据分析和可视化技术》（原书第2版），经出版方授权发布。

延伸阅读《R语言：实用数据分析和可视化技术》

点击上图了解及购买

转载请联系微信：DoctorData

**推荐语：**本书借鉴数据科学家Jared P. Lander在R语言上丰富的教学经验，通过大量实例，详细讲解R语言的核心功能。对于刚接触统计程序和模型的人，本书的内容组织结构使得学习R语言相当简单和直观。本书主要介绍R语言中20%的核心功能，但是这20%的功能足以让你解决80%的现代数据分析。

![音符][format_png 7]

**划重点????**

**干货直达????**

*  [西安交大送大一新生这本书，你读过吗？12本有趣有料的科普书盘点][12]  
    
 *  [终于有人把AI、BI、大数据、数据科学讲明白了][AI_BI]  
    
 *  [监督学习、非监督学习、强化学习都是什么？终于有人讲明白了][Link 1]  
    
 *  [一条SQL引发的“血案”：与SQL优化相关的4个案例][SQL_SQL_4]

**更多精彩????**

在公众号对话框输入以下**关键词**

查看更多优质内容！

**PPT** | **读书** | **书单** | **硬核** | **干货**** **| **讲明白 **|** 神操作**

**大数据** | **云计算** | **数据库** | **Python** | **可视化**

**AI** | **人工智能** | **机器学习** | **深度学习** | **NLP**

**5G**** **|** 中台 **|** 用户画像**** **| **1024** | **数学 **|** 算法 **| **数字孪生**

据统计，99%的大咖都完成了这个神操作

**????**

![format_png 8][]

![format_png 9][]

[format_png]: /images/20221124/b8580c32e9b14deea5a373f15d257664.png
[format_png 1]: /images/20221124/c242887d1cfa451281bd07edcb7a4e9c.png
[format_png 2]: /images/20221124/666a549d578a46fc8a92fd7037275a1d.png
[format_png 3]: /images/20221124/ba0636f9f490427289b9d7c72b132e63.png
[format_png 4]: /images/20221124/0cacf8775b3a41c8b3d98084fe32f41a.png
[format_png 5]: /images/20221124/db159b38da7340d5aaf64f4773e8749e.png
[format_png 6]: /images/20221124/e72e2b741f6949d29c7407722253887e.png
[format_png 7]: /images/20221124/c70ab368dcb54b2abef9c87416e6d303.png
[12]: http://mp.weixin.qq.com/s?__biz=MzI5OTk5OTM2Mw%3D%3D&chksm=ec8cf987dbfb70910f863ce3a4905d8096624b53cddfa187efce694b2520950e4752d6b33e60&idx=2&mid=2247512171&scene=21&sn=13f9d27be53366595cec0df2da9af1a5#wechat_redirect
[AI_BI]: http://mp.weixin.qq.com/s?__biz=MzI5OTk5OTM2Mw%3D%3D&chksm=ec8cf9f1dbfb70e74557be6901f6afd6624101f330e4ac2f4fb520ce1b7e53ca34a330c5ac8e&idx=2&mid=2247512093&scene=21&sn=7cb3f54732590512cb3ae1343c0f0684#wechat_redirect
[Link 1]: http://mp.weixin.qq.com/s?__biz=MzI5OTk5OTM2Mw%3D%3D&chksm=ec8ce6dfdbfb6fc95b65ccea4d84b02d4660221fecfca23eef010ee6e78955e1fe2fb62a7569&idx=2&mid=2247511859&scene=21&sn=7264324e69991e55edff57b1da07768d#wechat_redirect
[SQL_SQL_4]: http://mp.weixin.qq.com/s?__biz=MzI5OTk5OTM2Mw%3D%3D&chksm=ec8ce772dbfb6e6406d3d8e7975dc7dbf4e8f8325958645a2e59feebed556c9d8fb0dab2b641&idx=2&mid=2247511710&scene=21&sn=21be28c3a154ab53a83bb41c256f0526#wechat_redirect
[format_png 8]: /images/20221124/97d58c06dce1495a80d5ee7ae0f04e11.png
[format_png 9]: /images/20221124/5f4a21884578412c8171a9047bef5fed.png