R语言︱文件读入、读出一些方法罗列(批量xlsx文件、数据库、文本txt、文件夹)

版权声明:博主原创文章,微信公众号:素质云笔记,转载请注明来源“素质云博客”,谢谢合作!! https://blog.csdn.net/sinat_26917383/article/details/51100736

笔者寄语:小规模的读取数据的方法较为简单并且多样,但是,批量读取目前看到有以下几种方法:xlsx包、RODBC包、批量转化成csv后读入。

R语言中还有一些其他较为普遍的读入,比如代码包,R文件,工作空间等。

source #读取R代码 dget #读取R文件 load #读取工作空间

————————————————————————————————

SPSS-STATA格式的读入包——foreign

读取其他软件的格式foreign install.packages("foreign") #读取SPSS stata sas spss<-read.spss("hsb2.sav",to.data.frame=T) stata<-read.dta("hsb2.dta")

————————————————————————————————

一、小规模数据——简单读入方式

read.table、write.table 、read.csv 、write.csv、readLine(字符型格式常用)。

常见格式:

read.table(file, header = FALSE, sep = "", quote = "\"'",
dec = ".", skip = 0,
strip.white = FALSE, blank.lines.skip = TRUE,
comment.char = "#")

其中:

file表示要读取的文件,其中有一种神级读入法(file.choose())

read.table(file.choose())

header来确定数据文件中第一行是不是标题;

sep指定分隔符,默认是空格;

quote是引号,默认就是双引号;

dec是小数点的表示,默认就是一个点;

skip是确定是否跳过某些行;

strip.white确定是否消除空白字符;

blank.lines.skip确定是否跳过空白行;

comment.char指定用于表示注释的引导符号。

在使用read.table、read.csv读取字符数据时,会发生很多问题:

1、问题一:Warning message:EOF within quoted string; 需要设置quote,read.csv("/..csv",quote = "");

2、问题二:出现所有的数据被加入了双引号,比如“你好”,“睡觉”

解决方案:先as.character(x[1:5]),可以发现比如”\”你好\”“,这样的格式,就可以用sep = "\""来解决。

其中非结构化数据,在读入的时候会出现很多分隔符的问题

可以见博客:【R】数据导入读取read.table函数详解,如何读取不规则的数据(fill=T)

——————————————————————————————————————————————————————————————————

二、数据库读入——RODBC包

RODBC包中能够基本应付数据库读入。一般数据数据库读入过程中主要有:

连接数据库(odbcConnect)、读入某张表(sqlFetch)、读某表某指标(sqlQuery)、关闭连接(close)

还有一些功能:

把R数据读入数据库(sqlSave)、删除数据库某表(sqlDrop)

#安装RODBC包
install.packages("RODBC") 
library(RODBC)
mycon<-odbcConnect("mydsn",uid="user",pwd="rply")
#通过一个数据源名称(mydsn)和用户名(user)以及密码(rply,如果没有设置,可以直接忽略)打开了一个ODBC数据库连接

data(USArrests)
#将R自带的“USArrests”表写进数据库里
sqlSave(mycon,USArrests,rownames="state",addPK=TRUE)
#将数据流保存,这时打开SQL Server就可以看到新建的USArrests表了
rm(USArrests)
#清除USArrests变量

sqlFetch(mycon, "USArrests" ,rownames="state")
#输出USArrests表中的内容
sqlQuery(mycon,"select * from USArrests")
#对USArrests表执行了SQL语句select,并将结果输出

sqlDrop(channel,"USArrests")
#删除USArrests表
close(mycon)
#关闭连接

——————————————————————————————————————————————————————————————————

三、批量读取——xlsx包

首先尝试用R包解决。即xlsx包。

xlsx包在加载时容易遇到问题。基本都是由于java环境未配置好,或者环境变量引用失败。因此要首先配置java环境,加载rJava包。

百度了一下,网上已有很多解决方案。我主要是参考这个帖子,操作步骤为:

1、 安装最新版本的java。如果你用的R是64位的,请下载64位java。 下载地址: http://www.java.com/en/download/manual.jsp

要安装在 C:\Program Files\Java 下面,win8的尤其小心不要安装为C:\Program Files(x86)。可能是R在读取路径时,对x86这样的文件夹不大好识别吧,我第一次装在x86里,读取是失败的。

2、在R中加载环境,即一行代码,路径要依据你的java版本做出更改。 R

Sys.setenv(JAVA_HOME='C:\\Program Files\\Java\\jre1.8.0_45\\')

之后再加载rjava包或者xlsx包就成功了。

xlsx包加载成功后,用read.xlsx就可以直接读取xlsx文件,还可以指定读取的行和段,以及第几个表,以及可以保存为xlsx文件,这个包还是很强大的。

但是这个方法存在两个问题:

1、不是所有的公司电脑都能自由的配置java环境。很多人的权限是受限的。而且有些公司内部应用是在java环境下配置的。就算你找了IT去安装java,但是一些内部应用可能会因为版本号兼容问题而出错,得小失大。

2、用xlsx包读取数据,在数据量比较小的时候速度还是比较快的。但是如果xlsx本身比较大,包含数据多,read.xlsx效率会很低,不如data.table包的fread读取快捷以及省内存。但fread函数不支持xlsx的读入。。。

(参见这篇帖子,里面对千万行数据,fread也只用了10秒左右,比常规的read.table或者read.csv至少省时一倍)

综上,由于java环境的复杂性与兼容度,还有xlsx包本身读取速度的限制,用xlsx包读取xlsx包的方法,更适合于:

1、个人电脑,自己想怎么玩都无所谓,或者高大上的linux, mac环境

2、数据量不会特别大,而且excel文件很干净,需要细节的操作

实际操作案例:

批量写入

#1、读取xlsx中所有的sheet表格
#如果像vector一样定义List??——list()函数来主动定义,用data.list[[i]]来赋值
data.list<-list()
for (i in 1:2){
  data.list[[i]]=read.xlsx("C1.xlsx",i)
}

批量写出

#3、利用List批量读出操作
#难点:如果构造输出表格的名称——paste来构造名称
flie=list()
xlsxflie=paste(1:2,".xlsx",sep="")

for(i in 1:2){
flie[[i]]=paste("C:/Users/long/Desktop/",xlsxflie[i],sep="")
write.xlsx(data.list2[[i]],file)
}

其中出现了一个小错误:Error in file[[i]] : object of type 'closure' is not subsettable

这一错误是因为我写错函数名字了... file->flie(详情见:http://bbs.pinggu.org/thread-3142627-1-1.html)

主要运用了list函数,详情可见:R语言︱list用法、批量读取、写出数据时的用法

——————————————————————————————————————————————————————————————————

四、批量读入XLSX文件——先转换为CSV后读入

CSV读入的速度较快,笔者这边整理的是一种EXCEL VBA把xlsx先转换为csv,然后利用read.csv导入的办法。

WPS中调用VBA需要额外下砸一个插件,

之后应用list.files以List方式读入。

#lapply读取法
filenames <- list.files("C:/Users/a.csv", pattern = ".csv",full.names = TRUE)  #变成list格式
#没有full.names = TRUE,都会出现cannot open file: No such file or directory

name=function(x) {
  read.csv(x,header=T)
  }
datalist <- lapply(filenames,name)  #filenames执行name函数

——————————————————————————————————————————————————————————————————

五、批量读入文件夹中的指定文件(如*.xlsx)

代码思路:先遍历文件夹(list.files),然后通过循环依次读写(read.xlsx)。

为什么lsit.files不能直接把完整数据读入文件?——需要read.xlsx这一步骤

##批量读入文件夹中的xlsx文件
#如何批量读取一个文件夹中的各种txt文件
micepath <- "C:/Users/long/Desktop"
micefiles <- list.files(micepath, pattern = "*.xlsx$", full.names = TRUE)

##文件信息放入list中
files=list()
for (i in 1:2){
  files[i]=read.xlsx(micefiles[[i]],header = F,1)
}

——————————————————————————————————————————————————————————————————

五、批量读入文件夹中的文本文件(*.txt),并生成名称、文档数据框

——用在情感分析中情感词的打分数

代码思路:先遍历文件夹中所有txt(list.files)、构造文本读入函数(read.txt)、找文本名字(list.files)、然后生成数据框(as.data.frame)

##批量读入txt文件,并将文本放入同一个数据框
reviewpath <- "F:/R语言/R语言与文本挖掘/情感分析/数据/rawdata/review_sentiment/train2"
completepath <- list.files(reviewpath, pattern = "*.txt$", full.names = TRUE)

######批量读入文本
read.txt <- function(x) {
  des <- readLines(x)                   #每行读取
  return(paste(des, collapse = ""))     #没有return则返回最后一个函数对象
}
review <- lapply(completepath, read.txt)
#如果程序警告,这里可能是部分文件最后一行没有换行导致,不用担心。

######list转数据框
docname <- list.files(reviewpath, pattern = "*.txt$")
reviewdf <- as.data.frame(cbind(docname, unlist(review)), 
                          stringsAsFactors = F) 

其中,list.files()中,full.names=T代表读入文件+信息,full.names=F代表读入文件名字。

本代码来源于书《数据挖掘之道》情感分析章节。

——————————————————————————————————————————————————————————————————

六、excel的xlsx格式读取——openxlsx包

跟xlsx包可以一拼,为什么没有特别好的excel包,因为微软的软件不开源,而且内嵌设置时长变化,所以么有一款统一的好函数包,来进行读取。

library(openxlsx)
data=read.xlsx("hsb2.xlsx",sheet=1)

——————————————————————————————————————————————————————————————————

七、write.table读出txt文本

write.table(data,"names",
            quote = F,row.names = FALSE, col.names = FALSE)

输出的结果可能是像excel列表一样:

id   names
1      “您好”
2      “格式”
3      “读取”

所以需要去掉行、列名,同时去掉双引号。

如果我想得到,这样格式的呢:

您好 格式 读取

需要调整ecol,默认的ecol="\n",就是回车,所以会造成换行,所以需要换成“\r”,同时中间需要有空格分开,所以最终ecol="\r\ "用【\+空格】来表达空格

——————————————————————————————————————————————————————————————————————

八 文件夹读入

文件夹读入的方式也挺多的。

第一步:获取文件夹内全文件内容

两种函数:dir()以及list.files()

 dir('C:\\Users\\long\\Desktop\\',pattern = "txt$")
list.files('C:\\Users\\long\\Desktop\\',pattern = "txt$")

同时,可以通过pattren来选择规定格式的文件内容。

第二步:生成系统路径

> paste("C:\\Users\\long\\Desktop\\","txt")
[1] "C:\\Users\\long\\Desktop\\ txt"
> file.path("C:\\Users\\long\\Desktop","txt")
[1] "C:\\Users\\long\\Desktop/txt"

对比两者,一般用paste来生成系统路径的时候,在最终结果,结合的地方会多一个空格,当然也可以用去空格的方式排除,但是不够好。

所以可以用file.path的方式直接生成,比较方便,而且绝对正确。

————————————————————————————————

应用一:R语言中大样本读出并生成txt文件

笔者进过分词处理之后的文本词量有3亿+个词,一下子导出成txt马上电脑就死机,报错内存不足的问题。

于是在找各种办法解决如何生成一整个TXT文件。于是就有以下比较简单的办法,可以直接实现。

步骤一:先把分词内容拆分成几个部分,输出成多个txt文件;

步骤二:用windows自带的CMD里面的指令,来生成特定的TXT文件。

详情可见(参考与百度知道):

1、使用组合键“Win + R”打开运行窗口,输入“cmd”命令,进入命令行窗口。

2、在命令行窗口,进入需要合并的Txt文件的目录,如下图所示已进行“F:\stock”目录。

3、确认目录正确后,输入“type *.txt >>f:\111.txt”,该命令将把当前目录下的所有txt文件的内容输出到f:\111.txt。

4、到此,打开合并后的f:\111.txt,即可看到多个Txt文件都已按顺序合并到F盘的111.txt文件中。

————————————————————————————————————————————

应用二:R语言中,用write.csv时候,用office打开,多出了很多行?

如果文本字符长度很大,那么就会出现内容串到下面一行的情况,譬如10行的内容,可能变成了15行。好像office默认单个单元格的字符一般不超过2500字符,超过就会给到下一行。

所以笔者在导入5W条数据时候,多出了很多行,于是只能手动删除。

如果用txt格式导出,用Notepad++打开是好的,但是用excel打开又多出来不少行,所以用excel打开是用代价的。

但是由于excel是最好的导入SQL的格式,于是不得不手工删除,同时牺牲一部分的内容。

————————————————————————————————————————————

应用三:R语言中,用tcltk读入时候,报错?

Error: OutOfMemoryError (Java): Java heap space

因为从错误信息来看,是因为你使用的报表占用太多内存(不够或者没有释放),而导致堆内存溢出。 解决方案从两个方面着手,1、加大内存如-Xmx1024m;2、检查优化代码及时释放内存

————————————————————————————————————————————

应用四:用R语言来移动图片文件——file.copy

for (i in 1:length(selectname)){
  originpath = paste(origin_source,selectname[i],sep = '')
  savepath = paste(save_path,selectname[i],sep = '')
  file.copy(originpath, save_path)
}

可以看到file.copy是主要用来做移动的函数,originpath是路径名(细致到文件名称以及后缀),savepath可以是文件夹名称。

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

扫码关注云+社区

领取腾讯云代金券