arrow 包提供了将单个数据文件读取到内存中的函数，支持多种常见格式。默认情况下，调用任何这些函数都会返回一个 R 数据框。要返回 Arrow 表，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 格式的文件（以前称为 Feather 格式） -
read_delim_arrow(): 读取分隔文本文件（默认分隔符为逗号） -
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
对于将数据写入单个文件，arrow 包提供了以下函数，这些函数可用于 R 数据框和 Arrow 表
-
write_parquet(): 以 Parquet 格式写入文件 -
write_feather(): 以 Arrow IPC 格式写入文件 -
write_csv_arrow(): 以 CSV 格式写入文件
所有这些函数都可以读取和写入本地文件系统或云存储中的文件。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，并提供了将数据划分为较小块的能力，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，针对减少文件大小和快速读取性能进行了优化，特别是对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 dplyr 中包含的 starwars 数据写入一个 Parquet 文件，然后将其读回。首先加载 arrow 和 dplyr 包
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 文件要小得多。这部分归因于使用了文件压缩：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，请参见 help("write_parquet", package = "arrow")。
在写入 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>>默认情况下是返回数据框或 tibble。如果我们想要 Arrow 表，我们将设置 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 文件的一个有用功能是它们按列存储数据，并包含元数据，这些元数据允许文件读取器跳到文件的相关部分。这意味着可以仅加载部分列，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 读取器进行细粒度的控制。有关详细信息，请参见 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 数据框以及带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，以使读取和写入数据框更加高效，并使跨数据分析语言共享数据变得容易。这种文件格式有时被称为 Feather，因为它起源于最初的 Feather 项目，现在已移入 Arrow 项目本身。您可以在 Arrow 规范页面上找到 Arrow 格式版本 2 的详细规范 - 正式称为 Arrow IPC 文件格式。
write_feather() 函数默认写入版本 2 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接口来读取 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部分列，并且可以生成 Arrow 表输出
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，方式类似于 readr::read_delim() 中使用的约定，并且有一个受 vroom::vroom() 启发的 col_select 参数。
下面展示了使用 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 风格的参数（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，请参见 schema() 帮助。还可以选择使用 parse_options、convert_options 和 read_options 对 arrow csv 读取器进行细粒度的控制：有关详细信息，请参见 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。下面是一个最小示例
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