友情提示：蓝色下划线字体为引文，请保持警惕！
使用R语言读取Affymetrix Human Exon 1.0 ST Array芯片平台探针注释文件：
/analysis/downloads/na36/wtexon/HuEx-1_0-st-v2.na36.hg19.probeset.csv.zip
解压后的.csv文件有950MB+，部分内容如下：
其中，前22行为"#"开头的注释行，所以可以不读入。本文将以该文件为例，介绍三种读取方法，并测评读取速度上的优劣！
1、utils包中的read.csv函数，打开R即可直接使用，所以不需要另外安装加载R包：
data = read.csv("HuEx-1_0-st-v2.na36.hg19.probeset.csv", header = T, comment.char = "#")
2、data.table包中的fread函数，需要安装加载data.table包，由于没有read.csv函数中类似 comment.char = "#"的参数设置，故需要通过skip跳过一定数量的行：
p_load(data.table)
data = as.data.frame(fread("HuEx-1_0-st-v2.na36.hg19.probeset.csv", skip = 22, header = T, sep = ",", fill = T))
该函数有个明显的缺点，就是本例中"#"的行，无法很方便的通过其他参数识别并丢弃，参考：
/Rdatatable/data.table/issues/856
Even though fread(cmd='grep -v "#" table.csv') works fine in general, it's not cross platform compatible and makes your code a bit harder to read.
3、readr包中的read_csv函数，需要安装加载readr包，这个包在我们的历史文章中数次出现，包括在GEOquery包中的重要作用、将数据高效输出到文件中、以及将数据追加输出到表格文件。与前两种函数的区别在于参数名，col_names = T等同于header = T，如下：
p_load(readr)
data = as.data.frame(read_csv("HuEx-1_0-st-v2.na36.hg19.probeset.csv", comment = "#", col_names = T))
4、比较。三种函数都可以读取.csv格式文件，但read.csv函数在读取大文件时过于缓慢，我们使用microbenchmark包测试多次执行的情况下，三种函数读取本例文件的用时(system.time函数只能计算单次，所以结果会不稳健，可能存在一定的偏倚)：
microbenchmarkis based on repeated iterations.system.timeis the time for a single run Here we’ll need to usemicrobenchmark()instead ofsystem.time()in order to get enough accuracy to see a difference
p_load(microbenchmark)
datafile = "HuEx-1_0-st-v2.na36.hg19.probeset.csv"
benchmark = microbenchmark(
read.csv = read.csv(datafile, header = T, comment.char = "#", stringsAsFactors = F),
fread = as.data.frame(fread(datafile, skip = 22, header = T, sep = ",", fill = T)), # nThread=getDTthreads()，即使用所有能用的核心
read_csv = as.data.frame(read_csv(datafile, comment = "#", col_names = T)), times = 10) # 10次执行
print(benchmark, signif = 2)
结果如下：
测试了10次执行，fread的速度是最快的，读取950Mb+的.csv文件平均只需要5.1秒，read_csv需要11秒，而read.csv函数则需要36秒，故在执行速度上的顺序是 fread > read_csv > read.csv。
fread的高效性来源之一是支持多线程：
参数nThread: The number of threads to use. Experiment to see what works best for your data on your hardware.
对统计结果做个可视化：
ggplot2::autoplot(benchmark)
小提琴图的横坐标为时间，数据分布在左侧表示用该方法用时短，右侧表示读取用时较长。
综上：对于较大的.csv文件的读取，推荐使用fread和read_csv函数！
而对于.xlsx或.xls文件，推荐使用readxl包中的read_excel函数进行读取！
友情提示：本文涉及的R包安装详见下示！
R包相关·往期精彩
R语言 | 如果你再问我怎么安装R包
