我需要从280万行的csv数据集中抽取100,000-200,000行的随机样本。我如何有效地做到这一点，以便可以清洁和处理随机样本？
在this.dialog.open(ErrorDialogComponent,{ data: message });
库中，我使用了DMwR2函数，但是输出数据弄乱了我需要使用的22个变量。
sampleCSV数据集来源：https://www.kaggle.com/pschale/mlb-pitch-data-20152018#pitches.csv
library(caret)
library(DMwR2)
我希望pitchData <- sampleCSV(file.choose(),200000,2867154,header = TRUE,mxPerc = 0.5)
summary(pitchData)
的输出具有与csv文件相同的变量名，但是它将使用随机数重命名它们，并且某些变量会丢失。
也许以下功能可以完成问题的要求。请注意，它使用包R.utils中的函数。
返回值是一个包含2个成员的列表：
lines读入的行号； data数据框。可以更改为仅返回数据帧。
sample_csv <- function(fname,n,sep = ",",header = TRUE,...){
N <- R.utils::countLines(fname)
stopifnot(N >= n)
lns <- sample(N,n)
x <- sapply(lns,function(l){
scan(fname,what = character(),skip = l - 1,nlines = 1,quiet = TRUE)
})
list(lines = lns,data = read.table(textConnection(x),sep = sep,header = header,...)
)
}
set.seed(1234)
res <- sample_csv(filename,100,header = FALSE)
str(res$data)