Предположим, у нас есть папка, содержащая несколько файлов data.csv, каждая из которых содержит одинаковое количество переменных, но каждый из разных времен. Есть ли способ в R, чтобы импортировать их все одновременно, а не импортировать их все индивидуально?
Моя проблема заключается в том, что у меня есть около 2000 файлов данных для импорта и их импорта отдельно, используя код:
read.delim(file="filename", header=TRUE, sep="\t")
не очень эффективен.
Что-то вроде следующего должно привести к тому, что каждый кадр данных будет отдельным элементом в одном списке:
temp = list.files(pattern="*.csv")
myfiles = lapply(temp, read.delim)
Это предполагает, что у вас есть эти CSV в одном каталоге - вашем текущем рабочем каталоге - и что все они имеют расширение в нижнем регистре .csv.
Если вы хотите объединить эти кадры данных в один кадр данных, см. Решения в других ответах, используя такие вещи, как do.call(rbind,...), dplyr::bind_rows() или data.table::rbindlist(),
Если вам действительно нужен каждый кадр данных в отдельном объекте, хотя это часто нецелесообразно, вы можете сделать следующее с assign:
temp = list.files(pattern="*.csv")
for (i in 1:length(temp)) assign(temp[i], read.csv(temp[i]))
Или, не assign, и продемонстрировать (1), как очистить имя файла и (2) показать, как использовать list2env, вы можете попробовать следующее:
temp = list.files(pattern="*.csv")
list2env(
lapply(setNames(temp, make.names(gsub("*.csv$", "", temp))),
read.csv), envir = .GlobalEnv)
Но опять же, часто лучше оставить их в одном списке.
Быстрое и емкое решение tidyverse:
(более чем в два раза быстрее, чем Base R read.csv)
tbl <-
list.files(pattern = "*.csv") %>%
map_df(~read_csv(.))
и data.table fread() могут даже сократить время загрузки вдвое. (для 1/4 базового R раз)
library(data.table)
tbl_fread <-
list.files(pattern = "*.csv") %>%
map_df(~fread(.))
Аргумент stringsAsFactors = FALSE сохраняет фактор фактического кадра свободным (и, как указывает marbel, это значение по умолчанию для fread)
Если приведение типов является нахальным, вы можете сделать так, чтобы все столбцы были символами с аргументом col_types.
tbl <-
list.files(pattern = "*.csv") %>%
map_df(~read_csv(., col_types = cols(.default = "c")))
Если вы хотите заглянуть в подкаталоги, чтобы составить список файлов для последующей привязки, обязательно укажите путь, а также зарегистрируйте файлы с их полными именами в списке. Это позволит связыванию продолжаться за пределами текущего каталога. (Думая о полных путевых именах, действующих как паспорта, чтобы разрешить перемещение через границы каталога.)
tbl <-
list.files(path = "./subdirectory/",
pattern = "*.csv",
full.names = T) %>%
map_df(~read_csv(., col_types = cols(.default = "c")))
Как описывает Хэдли здесь (примерно на полпути):
map_df(x, f)фактически совпадает сdo.call("rbind", lapply(x, f))....
Бонусная функция - добавление имен файлов в записи по запросу функции Никса в комментариях ниже:
* Добавить оригинал filename к каждой записи.
Объясненный код: создайте функцию для добавления имени файла к каждой записи во время первоначального чтения таблиц. Затем используйте эту функцию вместо простой функции read_csv().
read_plus <- function(flnm) {
read_csv(flnm) %>%
mutate(filename = flnm)
}
tbl_with_sources <-
list.files(pattern = "*.csv",
full.names = T) %>%
map_df(~read_plus(.))
(Подходы к обработке типов и подкаталогов также могут обрабатываться внутри функции read_plus() таким же образом, как показано во втором и третьем вариантах, предложенных выше.)
### Benchmark Code & Results
library(tidyverse)
library(data.table)
library(microbenchmark)
### Base R Approaches
#### Instead of a dataframe, this approach creates a list of lists
#### removed from analysis as this alone doubled analysis time reqd
# lapply_read.delim <- function(path, pattern = "*.csv") {
# temp = list.files(path, pattern, full.names = TRUE)
# myfiles = lapply(temp, read.delim)
# }
#### 'read.csv()'
do.call_rbind_read.csv <- function(path, pattern = "*.csv") {
files = list.files(path, pattern, full.names = TRUE)
do.call(rbind, lapply(files, function(x) read.csv(x, stringsAsFactors = FALSE)))
}
map_df_read.csv <- function(path, pattern = "*.csv") {
list.files(path, pattern, full.names = TRUE) %>%
map_df(~read.csv(., stringsAsFactors = FALSE))
}
### *dplyr()*
#### 'read_csv()'
lapply_read_csv_bind_rows <- function(path, pattern = "*.csv") {
files = list.files(path, pattern, full.names = TRUE)
lapply(files, read_csv) %>% bind_rows()
}
map_df_read_csv <- function(path, pattern = "*.csv") {
list.files(path, pattern, full.names = TRUE) %>%
map_df(~read_csv(., col_types = cols(.default = "c")))
}
### *data.table* / *purrr* hybrid
map_df_fread <- function(path, pattern = "*.csv") {
list.files(path, pattern, full.names = TRUE) %>%
map_df(~fread(.))
}
### *data.table*
rbindlist_fread <- function(path, pattern = "*.csv") {
files = list.files(path, pattern, full.names = TRUE)
rbindlist(lapply(files, function(x) fread(x)))
}
do.call_rbind_fread <- function(path, pattern = "*.csv") {
files = list.files(path, pattern, full.names = TRUE)
do.call(rbind, lapply(files, function(x) fread(x, stringsAsFactors = FALSE)))
}
read_results <- function(dir_size){
microbenchmark(
# lapply_read.delim = lapply_read.delim(dir_size), # too slow to include in benchmarks
do.call_rbind_read.csv = do.call_rbind_read.csv(dir_size),
map_df_read.csv = map_df_read.csv(dir_size),
lapply_read_csv_bind_rows = lapply_read_csv_bind_rows(dir_size),
map_df_read_csv = map_df_read_csv(dir_size),
rbindlist_fread = rbindlist_fread(dir_size),
do.call_rbind_fread = do.call_rbind_fread(dir_size),
map_df_fread = map_df_fread(dir_size),
times = 10L)
}
read_results_lrg_mid_mid <- read_results('./testFolder/500MB_12.5MB_40files')
print(read_results_lrg_mid_mid, digits = 3)
read_results_sml_mic_mny <- read_results('./testFolder/5MB_5KB_1000files/')
read_results_sml_tny_mod <- read_results('./testFolder/5MB_50KB_100files/')
read_results_sml_sml_few <- read_results('./testFolder/5MB_500KB_10files/')
read_results_med_sml_mny <- read_results('./testFolder/50MB_5OKB_1000files')
read_results_med_sml_mod <- read_results('./testFolder/50MB_5OOKB_100files')
read_results_med_med_few <- read_results('./testFolder/50MB_5MB_10files')
read_results_lrg_sml_mny <- read_results('./testFolder/500MB_500KB_1000files')
read_results_lrg_med_mod <- read_results('./testFolder/500MB_5MB_100files')
read_results_lrg_lrg_few <- read_results('./testFolder/500MB_50MB_10files')
read_results_xlg_lrg_mod <- read_results('./testFolder/5000MB_50MB_100files')
print(read_results_sml_mic_mny, digits = 3)
print(read_results_sml_tny_mod, digits = 3)
print(read_results_sml_sml_few, digits = 3)
print(read_results_med_sml_mny, digits = 3)
print(read_results_med_sml_mod, digits = 3)
print(read_results_med_med_few, digits = 3)
print(read_results_lrg_sml_mny, digits = 3)
print(read_results_lrg_med_mod, digits = 3)
print(read_results_lrg_lrg_few, digits = 3)
print(read_results_xlg_lrg_mod, digits = 3)
# display boxplot of my typical use case results & basic machine max load
par(oma = c(0,0,0,0)) # remove overall margins if present
par(mfcol = c(1,1)) # remove grid if present
par(mar = c(12,5,1,1) + 0.1) # to display just a single boxplot with its complete labels
boxplot(read_results_lrg_mid_mid, las = 2, xlab = "", ylab = "Duration (seconds)", main = "40 files @ 12.5MB (500MB)")
boxplot(read_results_xlg_lrg_mod, las = 2, xlab = "", ylab = "Duration (seconds)", main = "100 files @ 50MB (5GB)")
# generate 3x3 grid boxplots
par(oma = c(12,1,1,1)) # margins for the whole 3 x 3 grid plot
par(mfcol = c(3,3)) # create grid (filling down each column)
par(mar = c(1,4,2,1)) # margins for the individual plots in 3 x 3 grid
boxplot(read_results_sml_mic_mny, las = 2, xlab = "", ylab = "Duration (seconds)", main = "1000 files @ 5KB (5MB)", xaxt = 'n')
boxplot(read_results_sml_tny_mod, las = 2, xlab = "", ylab = "Duration (milliseconds)", main = "100 files @ 50KB (5MB)", xaxt = 'n')
boxplot(read_results_sml_sml_few, las = 2, xlab = "", ylab = "Duration (milliseconds)", main = "10 files @ 500KB (5MB)",)
boxplot(read_results_med_sml_mny, las = 2, xlab = "", ylab = "Duration (microseconds) ", main = "1000 files @ 50KB (50MB)", xaxt = 'n')
boxplot(read_results_med_sml_mod, las = 2, xlab = "", ylab = "Duration (microseconds)", main = "100 files @ 500KB (50MB)", xaxt = 'n')
boxplot(read_results_med_med_few, las = 2, xlab = "", ylab = "Duration (seconds)", main = "10 files @ 5MB (50MB)")
boxplot(read_results_lrg_sml_mny, las = 2, xlab = "", ylab = "Duration (seconds)", main = "1000 files @ 500KB (500MB)", xaxt = 'n')
boxplot(read_results_lrg_med_mod, las = 2, xlab = "", ylab = "Duration (seconds)", main = "100 files @ 5MB (500MB)", xaxt = 'n')
boxplot(read_results_lrg_lrg_few, las = 2, xlab = "", ylab = "Duration (seconds)", main = "10 files @ 50MB (500MB)")
Строки: количество файлов (1000, 100, 10)
Столбцы: окончательный размер кадра данных (5 МБ, 50 МБ, 500 МБ)
(нажмите на изображение, чтобы увидеть оригинальный размер)
Базовые результаты R лучше для самых маленьких случаев использования, когда издержки, связанные с переносом библиотек C purrr и dplyr, перевешивают выигрыш в производительности, который наблюдается при выполнении более масштабных задач обработки.
если вы хотите запускать свои собственные тесты, этот скрипт bash может оказаться полезным.
for ((i=1; i<=$2; i++)); do
cp "$1" "${1:0:8}_${i}.csv";
done
bash what_you_name_this_script.sh "fileName_you_want_copied" 100 создаст 100 копий вашего файла с последовательной нумерацией (после первых 8 символов имени файла и подчеркивания).
С особой благодарностью:
map_df() здесь.fread(). (Мне нужно изучить data.table.)Вот еще один вариант преобразования файлов .csv в один файл data.frame. Использование базовых функций R. Это на порядок медленнее, чем варианты ниже.
# Get the files names
files = list.files(pattern="*.csv")
# First apply read.csv, then rbind
myfiles = do.call(rbind, lapply(files, function(x) read.csv(x, stringsAsFactors = FALSE)))
Изменить: - Еще несколько дополнительных вариантов, используя data.table и readr
Версия fread(), которая является функцией пакета data.table. Это, безусловно, самый быстрый вариант в R.
library(data.table)
DT = do.call(rbind, lapply(files, fread))
# The same using 'rbindlist'
DT = rbindlist(lapply(files, fread))
Использование readr, нового пакета Hadley для чтения CSV файлов. Немного медленнее, чем фред, но с другой функциональностью.
library(readr)
library(dplyr)
tbl = lapply(files, read_csv) %>% bind_rows()
Также, используя lapply или какую-либо другую конструкцию цикла в R, вы можете объединить файлы CSV в один файл.
В Unix, если в файлах нет заголовков, тогда это просто:
cat *.csv > all.csv
или если есть заголовки, и вы можете найти строку, которая соответствует заголовкам и только заголовкам (т.е. предположим, что строки заголовка начинаются с "Возраст" ), вы бы сделали:
cat *.csv | grep -v ^Age > all.csv
Я думаю, что в Windows вы могли бы сделать это с помощью COPY и SEARCH (или FIND или что-то еще) из командной строки DOS, но почему бы не установить cygwin и не получить полномочия командной оболочки Unix?
Это код, который я разработал для чтения всех файлов csv в R. Он создаст фрейм данных для каждого файла csv по отдельности и заголовку, который будет содержать имя файла с исходным именем файла (удаление пробелов и .csv). Надеюсь, вы сочтете это полезным!
path <- "C:/Users/cfees/My Box Files/Fitness/"
files <- list.files(path=path, pattern="*.csv")
for(file in files)
{
perpos <- which(strsplit(file, "")[[1]]==".")
assign(
gsub(" ","",substr(file, 1, perpos-1)),
read.csv(paste(path,file,sep="")))
}
Используя plyr::ldply, увеличение скорости примерно на 50% обеспечивается включением опции .parallel при чтении 400 csv файлов примерно по 30-40 МБ каждый. Пример включает строку выполнения текста.
library(plyr)
library(data.table)
library(doSNOW)
csv.list <- list.files(path="t:/data", pattern=".csv$", full.names=TRUE)
cl <- makeCluster(4)
registerDoSNOW(cl)
pb <- txtProgressBar(max=length(csv.list), style=3)
pbu <- function(i) setTxtProgressBar(pb, i)
dt <- setDT(ldply(csv.list, fread, .parallel=TRUE, .paropts=list(.options.snow=list(progress=pbu))))
stopCluster(cl)
На мой взгляд, большинство других ответов устарели rio::import_list, который является лаконичным однострочным:
library(rio)
my_data <- import_list(dir("path_to_directory", pattern = ".csv", rbind = TRUE))
Любые дополнительные аргументы передаются в rio::import. rio может заниматься практически любой файл формата R может читать, и он использует data.table fread, где это возможно, поэтому она должна быть слишком быстро.
На основе комментария dnlbrk назначение может быть значительно быстрее, чем list2env для больших файлов.
library(readr)
library(stringr)
List_of_file_paths <- list.files(path ="C:/Users/Anon/Documents/Folder_with_csv_files/", pattern = ".csv", all.files = TRUE, full.names = TRUE)
Установив для аргумента full.names значение true, вы получите полный путь к каждому файлу в виде отдельной символьной строки в списке файлов, например List_of_file_paths [1] будет выглядеть как "C:/Users/Anon/Documents/Folder_with_csv_files/file1.csv"
for(f in 1:length(List_of_filepaths)) {
file_name <- str_sub(string = List_of_filepaths[f], start = 46, end = -5)
file_df <- read_csv(List_of_filepaths[f])
assign( x = file_name, value = file_df, envir = .GlobalEnv)
}
Вы можете использовать файл pack.dll.txt.txt вместо read_csv. Шаг file_name позволяет вам убрать имя так, чтобы каждый кадр данных не оставался с полным путем к файлу, как его имя. Вы можете расширить свой цикл, чтобы делать дальнейшие действия в таблице данных, прежде чем переносить его в глобальную среду, например:
for(f in 1:length(List_of_filepaths)) {
file_name <- str_sub(string = List_of_filepaths[f], start = 46, end = -5)
file_df <- read_csv(List_of_filepaths[f])
file_df <- file_df[,1:3] #if you only need the first three columns
assign( x = file_name, value = file_df, envir = .GlobalEnv)
}
Три верхних ответа от @A5C1D2H2I1M1N2O1R2T1, @leerssej и @marbel, по сути, одинаковы: применить fread к каждому файлу, а затем rbind/rbindlist получить результирующие data.tables. Я обычно использую форму rbindlist(lapply(list.files("*.csv"),fread)).
Это лучше, чем другие R-внутренние альтернативы, и хорошо для небольшого числа больших CSV, но не лучше для большого количества маленьких CSV, когда скорость имеет значение. В этом случае может быть намного быстрее сначала использовать cat, как @Spacedman предлагает в 4-м рейтинге ответа. Я добавлю некоторые подробности о том, как это сделать изнутри R:
x = fread(cmd='cat *.csv', header=F)
Однако, что, если у каждого CSV есть заголовок?
x = fread(cmd="awk 'NR==1||FNR!=1' *.csv", header=T)
А что, если у вас так много файлов, что глобус оболочки *.csv не работает?
x = fread(cmd='find . -name "*.csv" | xargs cat', header=F)
А что, если у всех файлов есть заголовок И слишком много файлов?
header = fread(cmd='find . -name "*.csv" | head -n1', header=T)
x = fread(cmd='find . -name "*.csv" | xargs tail -q -n+2', header=F)
names(x) = names(header)
А что если результирующий составной csv слишком велик для системной памяти?
system('find . -name "*.csv" | xargs cat > combined.csv')
x = fread('combined.csv', header=F)
С заголовками?
system('find . -name "*.csv" | head -n1 | xargs head -n1 > combined.csv')
system('find . -name "*.csv" | xargs tail -q -n+2 >> combined.csv')
x = fread('combined.csv', header=T)
Примечание: для data.table pre-v1.11.6 (19 сентября 2018 г.) опустите cmd= из fread(cmd=.
Моя вилка принятого ответа немного быстрее и удаляет .csv из имени объекта в R.
temp = list.files(pattern="*.csv")
for (i in 1:length(temp)) assign(gsub(".csv", "", temp[i]), read_csv(temp[i]))
Он полагается на пакет readr (т. library(readr)). Вы можете сделать что-то подобное с data.table если хотите.
Моя вилка принятого ответа немного быстрее и удаляет .csv из имени объекта в R.
temp = list.files(pattern="*.csv")
for (i in 1:length(temp)) assign(gsub(".csv", "", temp[i]), read_csv(temp[i]))
Он полагается на пакет readr (т. library(readr)). Вы можете сделать что-то подобное с data.table если хотите.
Мне нравится подход, использующий list.files(), lapply() и list2env() (или fs::dir_ls(), purrr::map() и list2env()). Это кажется простым и гибким.
В качестве альтернативы вы можете попробовать небольшой пакет { tor } (to-R): по умолчанию он импортирует файлы из рабочего каталога в список (list_*() вариантов) или в глобальную среду (load_*() варианты).
Например, здесь я читаю все файлы .csv из моего рабочего каталога в список с помощью tor::list_csv():
library(tor)
dir()
#> [1] "_pkgdown.yml" "cran-comments.md" "csv1.csv"
#> [4] "csv2.csv" "datasets" "DESCRIPTION"
#> [7] "docs" "inst" "LICENSE.md"
#> [10] "man" "NAMESPACE" "NEWS.md"
#> [13] "R" "README.md" "README.Rmd"
#> [16] "tests" "tmp.R" "tor.Rproj"
list_csv()
#> $csv1
#> x
#> 1 1
#> 2 2
#>
#> $csv2
#> y
#> 1 a
#> 2 b
И теперь я загружаю эти файлы в мою глобальную среду с помощью tor::load_csv():
# The working directory contains .csv files
dir()
#> [1] "_pkgdown.yml" "cran-comments.md" "CRAN-RELEASE"
#> [4] "csv1.csv" "csv2.csv" "datasets"
#> [7] "DESCRIPTION" "docs" "inst"
#> [10] "LICENSE.md" "man" "NAMESPACE"
#> [13] "NEWS.md" "R" "README.md"
#> [16] "README.Rmd" "tests" "tmp.R"
#> [19] "tor.Rproj"
load_csv()
# Each file is now available as a dataframe in the global environment
csv1
#> x
#> 1 1
#> 2 2
csv2
#> y
#> 1 a
#> 2 b
Если вам нужно прочитать определенные файлы, вы можете сопоставить их путь к файлу с помощью regexp, ignore.case и invert.
Для еще большей гибкости используйте list_any(). Это позволяет вам предоставлять функцию чтения через аргумент .f.
(path_csv <- tor_example("csv"))
#> [1] "C:/Users/LeporeM/Documents/R/R-3.5.2/library/tor/extdata/csv"
dir(path_csv)
#> [1] "file1.csv" "file2.csv"
list_any(path_csv, read.csv)
#> $file1
#> x
#> 1 1
#> 2 2
#>
#> $file2
#> y
#> 1 a
#> 2 b
Передайте дополнительные аргументы через... или внутри лямбда-функции.
path_csv %>%
list_any(readr::read_csv, skip = 1)
#> Parsed with column specification:
#> cols(
#> '1' = col_double()
#> )
#> Parsed with column specification:
#> cols(
#> a = col_character()
#> )
#> $file1
#> # A tibble: 1 x 1
#> '1'
#> <dbl>
#> 1 2
#>
#> $file2
#> # A tibble: 1 x 1
#> a
#> <chr>
#> 1 b
path_csv %>%
list_any(~read.csv(., stringsAsFactors = FALSE)) %>%
map(as_tibble)
#> $file1
#> # A tibble: 2 x 1
#> x
#> <int>
#> 1 1
#> 2 2
#>
#> $file2
#> # A tibble: 2 x 1
#> y
#> <chr>
#> 1 a
#> 2 b
Я использую это успешно:
xlist<-list.files(pattern = "*.csv")
for(i in xlist) {
x <- read.csv((i))
assign(i, x)
}
если вы хотите собрать разные файлы csv в один файл data.frame, вы можете использовать следующее. обратите внимание, что "x" data.frame shoud будет создан заранее.
temp <- list.files(pattern="*.csv")
for (i in 1:length(temp)) {
temp2 = read.csv(temp[i], header = TRUE)
x <- rbind(x,temp2)
}
Для этого можно использовать пакет sparklyr:
# RStudio will help you get set-up with the Spark dependencies
library(sparklyr)
library(dplyr)
sc <- spark_connect(master = "local", version = "2.0.2")
df <- spark_read_csv(sc,
"dummy",
"file:////Users/bob/dev/data/results/*/*/*-metrics.csv") %>%
collect()
Это часть моего script.
#This cycle read the files in a directory and assign the filenames to datasets
files <- list.files(pattern=".csv$")
for(i in files) {
X <- read.table(i, header=TRUE)
SN<-X$A/X$B
X<-cbind(X,SN)
ds<-paste("data_",i, sep="")#this add "data_" to the name of file
ds<-substr(ds, 1, nchar(ds)-4)#remove the last 4 char (.csv)
assign(ds, X)
}