不导入大型加拿大Shapefile，如何获取R中变量的可选取值？

背景 #

我用R下载了加拿大统计局的大型地理空间Shapefile，代码如下：

# 加载所需包
library(sf)
library(rgdal)
# 设置Shapefile下载链接
url <- "https://www12.statcan.gc.ca/census-recensement/2011/geo/RNF-FRR/files-fichiers/lrnf000r22a_e.zip"

# 创建临时文件夹用于下载和解压
temp_dir <- tempdir()
temp_file <- file.path(temp_dir, "lrnf000r22a_e.zip")

# 下载文件到临时目录
download.file(url, temp_file)

# 解压zip文件
unzip(temp_file, exdir = temp_dir)

因为内存不足没法全量导入文件，我已经用ogrInfo拿到了所有变量的列表：

> ogrInfo(dsn = temp_dir, layer = "lrnf000r22a_e")
Source: "C:\Users\me\AppData\Local\Temp\RtmpwXsVlD", layer: "lrnf000r22a_e"
Driver: ESRI Shapefile; number of rows: 2246324 
Feature type: wkbLineString with 2 dimensions
Extent: (3696309 665490.8) - (9015653 4438073)
CRS: +proj=lcc +lat_0=63.390675 +lon_0=-91.8666666666667 +lat_1=49 +lat_2=77 +x_0=6200000 +y_0=3000000 +datum=NAD83 +units=m +no_defs 
LDID: 87 
Number of fields: 21 
        name type length  typeName
1   OBJECTID   12     10 Integer64
2    NGD_UID    4      9    String
3       NAME    4     50    String
4       TYPE    4      6    String
5        DIR    4      2    String
6    AFL_VAL    4      9    String
7    ATL_VAL    4      9    String
8    AFR_VAL    4      9    String
9    ATR_VAL    4      9    String
10  CSDUID_L    4      7    String
11 CSDNAME_L    4    100    String
12 CSDTYPE_L    4      3    String
13  CSDUID_R    4      7    String
14 CSDNAME_R    4    100    String
15 CSDTYPE_R    4      3    String
16   PRUID_L    4      2    String
17  PRNAME_L    4    100    String
18   PRUID_R    4      2    String
19  PRNAME_R    4    100    String
20      RANK    4      4    String
21     CLASS    4      4    String

现在想知道：不用把整个文件导入R的前提下，能不能确定这些变量的可选值？比如PRNAME_L/PRNAME_R这类字段，推测是省份名称，取值可能包含"ONTARIO"、"QUEBEC"等。

解决方案 #

完全可以，不用全量导入就能获取变量的唯一可选值，以下是几种方法：

1. 用GDAL命令行直接查询 #

如果能访问命令行，直接用ogrinfo命令执行SQL查询，只提取目标字段的唯一值，内存占用极低：

ogrinfo -sql "SELECT DISTINCT PRNAME_L FROM lrnf000r22a_e" "C:\Users\me\AppData\Local\Temp\RtmpwXsVlD"

把PRNAME_L换成你要查的其他字段（比如TYPE、CLASS）就能获取对应可选值。

2. 在R中用sf包执行部分查询 #

用st_read配合query参数，只加载你需要的字段的唯一值，不用导入整个数据集：

library(sf)
# 查询PRNAME_L的唯一值
pr_unique <- st_read(
  dsn = temp_dir,
  layer = "lrnf000r22a_e",
  query = "SELECT DISTINCT PRNAME_L FROM lrnf000r22a_e"
)
# 查看结果
print(unique(pr_unique$PRNAME_L))

这种方法只会加载查询结果，内存压力远小于全量导入。

3. 参考官方元数据 #

你提到的元数据里会有字段的取值说明，比如PRNAME对应的加拿大省份和地区名称，不过直接从数据中查询唯一值会更准确。

内容的提问来源于stack exchange，提问作者stats_noob