arrow 包提供了用于将单个数据文件以几种常见格式读入内存的函数。默认情况下，调用这些函数中的任何一个都会返回一个 R 数据帧。要返回 Arrow Table，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(): 读取带分隔符的文本文件（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，这些函数可以与 R 数据帧和 Arrow Table 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读写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。这使得分析和处理大于内存的数据成为可能，并提供了将数据分区为更小块而无需将完整数据加载到内存中的能力。有关此主题的更多信息，请参阅数据集文章。
Parquet 格式
Apache Parquet 是存储分析数据的热门选择；它是一种二进制格式，经过优化以减小文件大小并提高读取性能，尤其是对于基于列的访问模式。使用 arrow 读写 Parquet 数据最简单的方法是使用 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 Parquet 文件，然后将其读回。首先加载 arrow 和 dplyr 包
接下来，我们将数据帧写入位于 file_path 的 Parquet 文件
file_path <- tempfile()
write_parquet(starwars, file_path)Parquet 文件的大小通常远小于相应的 CSV 文件。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>>默认是返回数据帧或 tibble。如果我们要返回 Arrow Table，则需要设置 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。这意味着可以仅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，R 对象属性会保留。这使得 sf::sf 对象、带有 haven::labelled 列的 R 数据帧以及带有其他自定义属性的数据帧能够往返写入和读取。要了解有关 arrow 中元数据处理方式的更多信息，请参阅元数据文章。
Arrow/Feather 格式
Arrow 文件格式旨在为数据帧提供二进制列式序列化，以提高数据帧读写效率，并方便跨数据分析语言共享数据。此文件格式有时被称为 Feather，因为它源于最初的 Feather 项目，该项目现已并入 Arrow 项目本身。您可以在 Arrow 规范页面找到 Arrow 格式第 2 版的详细规范（官方称为Arrow IPC 文件格式）。
write_feather() 函数默认写入版本 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列的子集，并且可以生成 Arrow Table 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 读取器读取数据文件，其中 Arrow C++ 选项已映射到参数，其方式模仿了 readr::read_delim() 中使用的约定，并带有一个受 vroom::vroom() 启发的 col_select 参数。
下面显示了一个使用 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 风格参数（delim、quote、escape_double、escape_backslash 等）提供的选项之外，您还可以使用 schema 参数指定列类型：有关详细信息，请参阅 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 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