前言
前面講過了 R 自帶的讀取矩陣型數(shù)據(jù)的方法，如 read.csv,read.table 等挽绩。
下面我要介紹的是 tidyverse 中的 readr 包提供的讀取矩陣型數(shù)據(jù)的方式
readr 的目標(biāo)是提供一種快速友好的方式來讀取矩陣型數(shù)據(jù)生逸，如 csv, tsv 和 fwf 等。
使用
1. 導(dǎo)入包
library(tidyverse)
函數(shù)
readr 支持 7 種文件格式，對(duì)應(yīng)于 7 個(gè) read_ 開頭的函數(shù)
-
read_csv():CSV文件
-
-
read_csv2(): 分號(hào);分隔文件
-
-
read_tsv():tab分隔文件
-
-
read_delim(): 一般帶分隔符的文件
-
-
read_fwf(): 固定寬度的文件
-
-
read_table(): 表格文件榔昔，列之間用空格隔開
-
-
read_log():web日志文件
-
通常只要提供文件的路徑就可以讀取文件，比如讀取示例文件
> mtcars <- read_csv(readr_example("mtcars.csv"))
─ Column specification ────────────────────────────────────────
cols(
mpg = col_double(),
cyl = col_double(),
disp = col_double(),
hp = col_double(),
drat = col_double(),
wt = col_double(),
qsec = col_double(),
vs = col_double(),
am = col_double(),
gear = col_double(),
carb = col_double()
)
當(dāng)你使用 read_csv 時(shí)瘪菌，將會(huì)打印每列的列名以及類型撒会，函數(shù)自動(dòng)推斷數(shù)據(jù)的類型
當(dāng)然在讀取文件時(shí)，你也可以為每列指定類型
mtcars <- read_csv(readr_example("mtcars.csv"), col_types =
cols(
mpg = col_double(),
cyl = col_integer(),
disp = col_double(),
hp = col_integer(),
drat = col_double(),
vs = col_integer(),
wt = col_double(),
qsec = col_double(),
am = col_integer(),
gear = col_integer(),
carb = col_integer()
)
)
你也可以提供一個(gè)內(nèi)聯(lián)的 CSV 文件
read_csv("a,b,c
1,2,3
4,5,6")
在這兩種讀取方式中控嗜，都是默認(rèn)將第一行作為列名茧彤。當(dāng)然，你也可以調(diào)整這種模式：
-
當(dāng)你的文件前幾行是數(shù)據(jù)的描繪信息疆栏，并不是你想要的曾掂，你可以使用
skip = n跳過前n行。或者壁顶，使用
comment = "#"刪除所有以#開頭的行
> read_csv("The first line of metadata
+ The second line of metadata
+ x,y,z
+ 1,2,3", skip = 2)
# A tibble: 1 x 3
x y z
<dbl> <dbl> <dbl>
1 1 2 3
> read_csv("# A comment I want to skip
+ x,y,z
+ 1,2,3", comment = "#")
# A tibble: 1 x 3
x y z
<dbl> <dbl> <dbl>
1 1 2 3
- 有時(shí)珠洗，你的數(shù)據(jù)并沒有表頭，你可以使用
col_names = FALSE告訴read_csv()不要把第一行作為表頭若专，然后用X1到Xn依次標(biāo)注
> read_csv("1,2,3\n4,5,6", col_names = FALSE)
# A tibble: 2 x 3
X1 X2 X3
<dbl> <dbl> <dbl>
1 1 2 3
2 4 5 6
此外许蓖，你還可以使用 col_names 參數(shù)設(shè)置列名
read_csv("1,2,3\n4,5,6", col_names = c("x", "y", "z"))
# A tibble: 2 x 3
x y z
<dbl> <dbl> <dbl>
1 1 2 3
2 4 5 6
另一個(gè)需要調(diào)整的選項(xiàng)是 na，用來標(biāo)識(shí)缺省的值
read_csv("a,b,c\n1,2,.", na = ".")
# A tibble: 1 x 3
a b c
<dbl> <dbl> <lgl>
1 1 2 NA
對(duì)于 read_tsv() 和 read_fwf() 的讀取方式调衰，也是類似的膊爪，就不再做詳細(xì)介紹了。
如果想要進(jìn)一步了解讀取方式嚎莉，那就要知道 readr 是如何解析每一列米酬，并如何轉(zhuǎn)換為 R 向量的。
與 R 基礎(chǔ)操作對(duì)比
你可能會(huì)問趋箩，為什么我不直接用 R 自帶的 read.csv 或其他類似的 read.table 等函數(shù)來讀取文件呢赃额？
其原因是：
首先，通常它的讀取速度比
R基礎(chǔ)函數(shù)快很多（大約10倍）叫确。在長時(shí)間的運(yùn)行過程中跳芳，會(huì)有一個(gè)進(jìn)度條，讓你知道程序運(yùn)行到哪里了竹勉。如果你對(duì)速度的追求更高飞盆，可以嘗試data.table::fread()函數(shù)，但是它沒有readr的兼容性好其次，它們產(chǎn)生的是
tibble格式的數(shù)據(jù)桨啃，不會(huì)將字符串轉(zhuǎn)換為factor车胡，使用行名或列名。最后照瘾，它們更容易復(fù)制匈棘，基礎(chǔ)的
R函數(shù)是從你的操作系統(tǒng)和環(huán)境變量繼承了一些行為，因此在你的計(jì)算機(jī)上運(yùn)行的代碼可能無法在其他計(jì)算機(jī)上運(yùn)行析命。
思考練習(xí)
使用什么函數(shù)讀取
|分隔的文件主卫？除了
file、skip和comment之外鹃愤，read_csv()和read_tsv()還有哪些共同的參數(shù)簇搅？read_fwf()最重要的參數(shù)是什么？-
有時(shí)
CSV文件中的字符串包含,符號(hào)软吐。為了避免這種問題瘩将，它們需要被一個(gè)引號(hào)括起來，比如"或'凹耙。默認(rèn)情況下
read_csv()假設(shè)字符被"包裹姿现，如何讀取下面的文本？
"x,y\n1,'a,b'"
- 確定下列每個(gè)內(nèi)聯(lián)
CSV文件的錯(cuò)誤所在肖抱。運(yùn)行代碼時(shí)會(huì)發(fā)生什么备典？
read_csv("a,b\n1,2,3\n4,5,6")
read_csv("a,b,c\n1,2\n1,2,3,4")
read_csv("a,b\n\"1")
read_csv("a,b\n1,2\na,b")
read_csv("a;b\n1;3")
解析向量
在深入了解 readr 如何從磁盤讀取文件之前，我們需要稍微討論一下 parse_*() 函數(shù)
這些函數(shù)接受一個(gè)字符向量并返回一個(gè)更專門的向量意述，如 logical, integer 或 date
> str(parse_logical(c("TRUE", "FALSE", "NA")))
logi [1:3] TRUE FALSE NA
> str(parse_integer(c("1", "2", "3")))
int [1:3] 1 2 3
> str(parse_date(c("2010-01-01", "1979-10-14")))
Date[1:2], format: "2010-01-01" "1979-10-14"
這些函數(shù)本身很有用提佣，但也是 readr 的一個(gè)重要構(gòu)建部分。
在了解完本節(jié)中各個(gè)解析器的工作原理后荤崇，我們將在下一節(jié)中回過頭來看看它們是如何組合在一起解析完整的文件
和其他許多 tidyverse 函數(shù)一樣拌屏，parse_*() 函數(shù)也是統(tǒng)一的，第一個(gè)參數(shù)是要解析的字符向量术荤，而 na 參數(shù)指定哪些字符串應(yīng)該被視為缺失值
parse_integer(c("1", "231", ".", "456"), na = ".")
[1] 1 231 NA 456
如果解析失敗倚喂，你會(huì)得到一個(gè)警告
> x <- parse_integer(c("123", "345", "abc", "123.45"))
Warning: 2 parsing failures.
row col expected actual
3 -- an integer abc
4 -- no trailing characters 123.45
但是錯(cuò)誤并不會(huì)包含在輸出中
> x
[1] 123 345 NA NA
attr(,"problems")
# A tibble: 2 x 4
row col expected actual
<int> <int> <chr> <chr>
1 3 NA an integer abc
2 4 NA no trailing characters 123.45
如果有許多解析失敗，你可以使用 problems() 來獲得完整的信息喜每。這會(huì)返回一個(gè) tibble，然后您可以使用 dplyr 對(duì)其進(jìn)行操作雳攘。
> problems(x)
# A tibble: 2 x 4
row col expected actual
<int> <int> <chr> <chr>
1 3 NA an integer abc
2 4 NA no trailing characters 123.45
使用解析器主要是為了理解什么是可用的带兜，以及它們是如何處理不同類型的輸入。
總共有八個(gè)特別重要的解析器
parse_logical()和parse_integer()分別解析邏輯和整數(shù)值parse_double()是嚴(yán)格的數(shù)字解析器吨灭，parse_number()是靈活的數(shù)字解析器刚照。這些并不是你想得那么容易，因?yàn)槭澜缟喜煌胤降臄?shù)字書寫方式不同喧兄。parse_character()解析字符串parse_factor()創(chuàng)建因子parse_datetime(),parse_date(), 和parse_time()可以解析各種時(shí)間和日期格式无畔。
下面將詳細(xì)介紹啊楚，
哦不!明天再說，脖子要斷了浑彰。
/(ㄒoㄒ)/~~
