读取和写入数据文件

arrow 包提供了一些函数，用于将多种常见格式的单个数据文件读入内存。默认情况下，调用这些函数中的任何一个都会返回一个 R 数据框。要返回 Arrow 表格，请设置参数 as_data_frame = FALSE。

read_parquet()：读取 Parquet 格式的文件
read_feather()：读取 Apache Arrow IPC 格式（以前称为 Feather 格式）的文件
read_delim_arrow()：读取分隔文本文件（默认分隔符是逗号）
read_csv_arrow()：读取逗号分隔值 (CSV) 文件
read_tsv_arrow()：读取制表符分隔值 (TSV) 文件
read_json_arrow()：读取 JSON 数据文件

为了将数据写入单个文件，arrow 包提供了以下函数，这些函数可以与 R 数据框和 Arrow 表格一起使用

write_parquet()：写入 Parquet 格式的文件
write_feather()：写入 Arrow IPC 格式的文件
write_csv_arrow()：写入 CSV 格式的文件

所有这些函数都可以在本地文件系统或云存储中读取和写入文件。有关 arrow 中云存储支持的更多信息，请参阅云存储文章。

arrow 包还支持读取大于内存的单个数据文件，以及读取和写入多文件数据集。这使得能够分析和处理大于内存的数据，并能够将数据分成更小的块，而无需将完整数据加载到内存中。有关此主题的更多信息，请参阅数据集文章。

Parquet 格式

Apache Parquet 是存储分析数据的流行选择；它是一种二进制格式，针对减小文件大小和快速读取性能进行了优化，尤其适用于基于列的访问模式。使用 arrow 读取和写入 Parquet 数据的最简单方法是使用 read_parquet() 和 write_parquet() 函数。为了说明这一点，我们将把 dplyr 中包含的 starwars 数据写入 Parquet 文件，然后将其读回。首先加载 arrow 和 dplyr 包

library(arrow, warn.conflicts = FALSE)
library(dplyr, warn.conflicts = FALSE)

接下来，我们将数据框写入位于 file_path 的 Parquet 文件

file_path <- tempfile()
write_parquet(starwars, file_path)

Parquet 文件的大小通常比相应的 CSV 文件小得多。这部分是由于使用了文件压缩：默认情况下，使用 arrow 包写入的 Parquet 文件使用Snappy 压缩，但也支持 gzip 等其他选项。有关更多信息，请参阅 help("write_parquet", package = "arrow")。

写入 Parquet 文件后，我们现在可以使用 read_parquet() 读取它

read_parquet(file_path)

## # A tibble: 87 x 14
##    name     height  mass hair_color skin_color eye_color birth_year sex   gender
##    <chr>     <int> <dbl> <chr>      <chr>      <chr>          <dbl> <chr> <chr> 
##  1 Luke Sk~    172    77 blond      fair       blue            19   male  mascu~
##  2 C-3PO       167    75 NA         gold       yellow         112   none  mascu~
##  3 R2-D2        96    32 NA         white, bl~ red             33   none  mascu~
##  4 Darth V~    202   136 none       white      yellow          41.9 male  mascu~
##  5 Leia Or~    150    49 brown      light      brown           19   fema~ femin~
##  6 Owen La~    178   120 brown, gr~ light      blue            52   male  mascu~
##  7 Beru Wh~    165    75 brown      light      blue            47   fema~ femin~
##  8 R5-D4        97    32 NA         white, red red             NA   none  mascu~
##  9 Biggs D~    183    84 black      light      brown           24   male  mascu~
## 10 Obi-Wan~    182    77 auburn, w~ fair       blue-gray       57   male  mascu~
## # i 77 more rows
## # i 5 more variables: homeworld <chr>, species <chr>, films <list<character>>,
## #   vehicles <list<character>>, starships <list<character>>

默认返回数据框或 tibble。如果我们想要一个 Arrow 表格，我们可以设置 as_data_frame = FALSE

read_parquet(file_path, as_data_frame = FALSE)

## Table
## 87 rows x 14 columns
## $name <string>
## $height <int32>
## $mass <double>
## $hair_color <string>
## $skin_color <string>
## $eye_color <string>
## $birth_year <double>
## $sex <string>
## $gender <string>
## $homeworld <string>
## $species <string>
## $films: list<element <string>>
## $vehicles: list<element <string>>
## $starships: list<element <string>>

Parquet 文件的一个有用特性是它们按列存储数据，并包含允许文件读取器跳到文件相关部分的元数据。这意味着可以只加载列的子集而无需读取完整文件。read_parquet() 的 col_select 参数支持此功能

read_parquet(file_path, col_select = c("name", "height", "mass"))

## # A tibble: 87 x 3
##    name               height  mass
##    <chr>               <int> <dbl>
##  1 Luke Skywalker        172    77
##  2 C-3PO                 167    75
##  3 R2-D2                  96    32
##  4 Darth Vader           202   136
##  5 Leia Organa           150    49
##  6 Owen Lars             178   120
##  7 Beru Whitesun Lars    165    75
##  8 R5-D4                  97    32
##  9 Biggs Darklighter     183    84
## 10 Obi-Wan Kenobi        182    77
## # i 77 more rows

可以使用 props 参数对 Parquet 读取器进行细粒度控制。有关详细信息，请参阅 help("ParquetArrowReaderProperties", package = "arrow")。

将数据写入 Parquet 或 Arrow/Feather 文件以及将这些文件读回 R 时，会保留 R 对象属性。这使得能够对 sf::sf 对象、带有 haven::labelled 列的 R 数据框以及具有其他自定义属性的数据框进行往返写入和读取。要了解有关 arrow 如何处理元数据的更多信息，请参阅元数据文章。

Arrow/Feather 格式

Arrow 文件格式的开发是为了为数据框提供二进制列式序列化，从而提高数据框的读取和写入效率，并方便在数据分析语言之间共享数据。此文件格式有时被称为 Feather，因为它是由现已移至 Arrow 项目本身的原始Feather项目发展而来的。您可以在 Arrow 规范页面上找到版本 2 的 Arrow 格式的详细规范——官方称为Arrow IPC 文件格式。

默认情况下，write_feather() 函数写入版本 2 的 Arrow/Feather 文件，并支持多种文件压缩。基本用法如下所示

file_path <- tempfile()
write_feather(starwars, file_path)

read_feather() 函数提供了一个熟悉的界面来读取 feather 文件

read_feather(file_path)

## # A tibble: 87 x 14
##    name     height  mass hair_color skin_color eye_color birth_year sex   gender
##    <chr>     <int> <dbl> <chr>      <chr>      <chr>          <dbl> <chr> <chr> 
##  1 Luke Sk~    172    77 blond      fair       blue            19   male  mascu~
##  2 C-3PO       167    75 NA         gold       yellow         112   none  mascu~
##  3 R2-D2        96    32 NA         white, bl~ red             33   none  mascu~
##  4 Darth V~    202   136 none       white      yellow          41.9 male  mascu~
##  5 Leia Or~    150    49 brown      light      brown           19   fema~ femin~
##  6 Owen La~    178   120 brown, gr~ light      blue            52   male  mascu~
##  7 Beru Wh~    165    75 brown      light      blue            47   fema~ femin~
##  8 R5-D4        97    32 NA         white, red red             NA   none  mascu~
##  9 Biggs D~    183    84 black      light      brown           24   male  mascu~
## 10 Obi-Wan~    182    77 auburn, w~ fair       blue-gray       57   male  mascu~
## # i 77 more rows
## # i 5 more variables: homeworld <chr>, species <chr>, films <list<character>>,
## #   vehicles <list<character>>, starships <list<character>>

与 Parquet 读取器一样，此读取器支持仅读取列的子集，并且可以生成 Arrow 表格输出

read_feather(
  file = file_path,
  col_select = c("name", "height", "mass"),
  as_data_frame = FALSE
)

## Table
## 87 rows x 3 columns
## $name <string>
## $height <int32>
## $mass <double>

CSV 格式

arrow 包的读/写功能还包括对 CSV 和其他文本分隔文件的支持。read_csv_arrow()、read_tsv_arrow() 和 read_delim_arrow() 函数都使用 Arrow C++ CSV 读取器来读取数据文件，其中 Arrow C++ 选项已映射到参数，其方式反映了 readr::read_delim() 中使用的约定，并使用受 vroom::vroom() 启发的 col_select 参数。

下面显示了使用 arrow 写入和读取 CSV 文件的简单示例

file_path <- tempfile()
write_csv_arrow(mtcars, file_path)
read_csv_arrow(file_path, col_select = starts_with("d"))

## # A tibble: 32 x 2
##     disp  drat
##    <dbl> <dbl>
##  1  160   3.9 
##  2  160   3.9 
##  3  108   3.85
##  4  258   3.08
##  5  360   3.15
##  6  225   2.76
##  7  360   3.21
##  8  147.  3.69
##  9  141.  3.92
## 10  168.  3.92
## # i 22 more rows

除了 readr 样式参数（delim、quote、escape_double、escape_backslash 等）提供的选项外，您还可以使用 schema 参数来指定列类型：有关详细信息，请参阅 schema() 帮助。还可以使用 parse_options、convert_options 和 read_options 对 arrow csv 读取器进行细粒度控制：有关详细信息，请参阅 help("CsvReadOptions", package = "arrow")。

JSON 格式

arrow 包支持使用 read_json_arrow() 函数从行分隔的 JSON 中读取（但不写入）表格数据。下面显示了一个最小示例

file_path <- tempfile()
writeLines('
    { "hello": 3.5, "world": false, "yo": "thing" }
    { "hello": 3.25, "world": null }
    { "hello": 0.0, "world": true, "yo": null }
  ', file_path, useBytes = TRUE)
read_json_arrow(file_path)

## # A tibble: 3 x 3
##   hello world yo   
##   <dbl> <lgl> <chr>
## 1  3.5  FALSE thing
## 2  3.25 NA    NA   
## 3  0    TRUE  NA

Parquet 格式

Arrow/Feather 格式

CSV 格式

JSON 格式

延伸阅读