作者：Jared P. Lander

來源：大數據DT（ID：hzdashuju）

編自：《R語言：實用數據分析和可視化技術》（原書第2版）

讀取CSV文件最好的方法是使用read.table函數，許多人喜歡使用read.csv函數，該函數其實是封裝的read.table函數，同時設置read.table函數的sep參數為逗號(",")。read.table函數返回的結果為data.frame。

read.table函數的第一個參數為文件所在路徑，可以是本地文件，也可以是網頁上的文件。本書主要是從網頁讀取文件。

任意CSV文件都可以讀取，這里使用read.table函數讀取一個簡單的文件（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果。

> head(tomato)

如前面所述，第一個參數是文件名（或字符型變量）。注意我們如何顯式地使用參數名file、head和sep。函數的參數能夠按位置順序賦值，而不用顯式指定參數名，但指定參數名是最佳實踐。

第二個參數header，表示數據的第一行，即列名。第三個參數sed，表示數據的分隔符?？梢栽O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是stringAsFactors。將該參數設為FALSE（默認是TRUE）可使字符所在列不被轉換成factor列。這樣既節省計算時間（當大數據集包含許多字符列，也意味著有許多唯一值），又能保留列為字符。

stringAsFactors參數也可以用在data.frame中。再次創建“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函數還有許多參數，最常用的是quote和colClasses參數，分別設置字符的包圍符和每列的數據類型。

類似read.csv函數，也有其他用于read.table的封裝函數，也有默認參數。它們主要的區別是sep和dec參數。詳細情況見表6-1。

▲表6-1 讀取大文本文件的函數及其默認參數

大文件使用read.table函數讀取到內存比較慢，幸運的是有解決方案。讀取大CSV文件和其他文本文件的兩個主流的函數是read_delim和fread，前者在readr包中由Hadley Wickham實現，后者在data.table包中由Matt Dowle實現。read_delim和fread運行相當快，因為兩者都不把字符數據自動轉換成factor。

01、 read_delim函數

readr包提供讀取文本文件的一系列函數。最常用的是read_delim函數，讀取有分隔符的文件，比如CSV文件。該函數的第一個參數是讀取的文件路徑或者URL。col_names默認為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函數執行后會打印列名和數據類型信息，這些信息也可以使用head.read_delim函數獲得。

readr包中的所有數據提取函數返回的是tibble，該數據類型是data.frame的擴展。最明顯的變化是打印的元數據，比如行列數和每列的數據類型。tibble會適應屏幕大小打印相應條數的行列數據。

> tomato2

read_delim函數不僅僅讀取速度比read.table函數快，而且不需要設置stringAsFactors參數為FALSE。read_csv、read_csv2和read_tsv函數是read.table函數分隔符分別為逗號（,）、分號（;）和tab（\t）的特殊情況。

注意，數據讀取為tbl_df對象，它是tbl的擴展，也是data.frame的擴展。tbl是data.frame的特殊類型，它在dplyr包中定義。每列的數據類型顯示在列名的下面，這是個很好的功能。

readr包有一些對read_delim函數封裝（預置分隔符）的輔助函數，比如read_csv函數和read_tsv函數。

02 、fread函數

另一個讀取大量數據的函數是data.table包的fread函數。第一個參數是讀取的文件路徑或者URL。header參數表示文件的第一行是列名，sep指定分隔符。該函數的stringAsFactors參數默認設為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函數查看前幾行數據：

> head(tomato3)

該函數讀取速度比read.table函數快，結果為data.table對象。data.table對象是data.frame的擴展，其是data.frame的優化。

read_delim或者fread函數讀取文件都非?？?，具體使用哪個函數取決于dplyr或者data.table包中哪個更適合數據處理。

關于作者：賈里德 P. 蘭德（Jared P. Lander），資深數據專家，Lander Analytics公司創始人兼CEO，紐約開放統計編程聚會負責人，哥倫比亞大學統計學兼職教授。在數據管理、多層次模型、機器學習、廣義線性模型、可視化、數據管理和統計計算等多個領域擁有豐富經驗。