【R】數(shù)據(jù)導入讀取read.table函數(shù)詳解，如何讀取不規(guī)則的數(shù)據(jù)（fill=T）

函數(shù) read.table 是讀取矩形格子狀數(shù)據(jù)最為便利的方式。因為實際可能遇到的情況比較多，所以預設了一些函數(shù)。這些函數(shù)調用了 read.table 但改變了它的一些默認參數(shù)。

注意，read.table 不是一種有效地讀大數(shù)值矩陣的方法：見下面的 scan 函數(shù)。

一些需要考慮到問題是：

1. 編碼問題

   如果文件中包含非-ASCII字符字段，要確保以正確的編碼方式讀取。這是在UTF-8的本地系統(tǒng)里面讀取Latin-1文件的一個主要問題。此時，可以如下處理

             read.table(file("file.dat", encoding="latin1"))

   注意，這在任何可以呈現(xiàn)Latin-1名字的本地系統(tǒng)里面運行。

2. 首行問題

   我們建議你明確地設定 header 參數(shù)。按照慣例，首行只有對應列的字段而沒有行標簽對應的字段。因此，它會比余下的行少一個字段。（如果需要在 R 里面看到這一行，設置 header = TRUE。）如果要讀取的文件里面有行標簽的頭字段（可能是空的），以下面的方式讀取

             read.table("file.dat", header = TRUE, row.names = 1)

   列名字可以通過 col.names 顯式地設定；顯式設定的名字會替換首行里面的列名字（如果存在的話）。

3. 分隔符問題

   通常，打開文件看一下就可以確定文件所使用的字段分隔符，但對于空白分割的文件，可以選擇默認的sep = "" （它能使用任何空白符作為分隔符，比如空格，制表符，換行符）， sep = " " 或者 sep = "\t"。注意，分隔符的選擇會影響輸入的被引用的字符串。

   如果你有含有空字段的制表符分割的文件，一定要使用 sep = "\t"。

4. 引用 默認情況下，字符串可以被 " 或 ' 括起，并且兩種情況下，引號內部的字符都作為字符串的一部分。有效的引用字符（可能沒有）的設置由參數(shù) quote 控制。對于sep = "\n"，默認值改為 quote = ""。

   如果沒有設定分隔字符，在被引號括起的字符串里面，引號需要用 C格式的逃逸方式逃逸，即在引號前面直接加反斜杠 \。

   如果設定了分隔符，在被引號括起的字符串里面，按照電子表格的習慣，把引號重復兩次以達到逃逸的效果。例如

             'One string isn''t two',"one more"

   可以被下面的命令讀取

             read.table("testfile", sep = ",")

   這在默認分隔符的文件里面不起作用。

5. 缺損值 默認情況下，文件是假定用 NA 表示缺損值，但是，這可以通過參數(shù) na.strings 改變。參數(shù) na.strings 是一個可以包括一個或多個缺損值得字符描述方式的向量。

   數(shù)值列的空字段也被看作是缺損值。

   在數(shù)值列，值 NaN，Inf 和 -Inf 都可以被接受的。

6. 尾部空字段省略的行

   從一個電子表格中導出的文件通常會把拖尾的空字段（包括?塹姆指舴? 忽略掉。為了讀取這樣的文件，必須設置參數(shù) fill = TRUE。

7. 字符字段中的空白

   如果設定了分隔符，字符字段起始和收尾處的空白會作為字段一部分看待的。為了去掉這些空白，可以使用參數(shù) strip.white = TRUE。

8. 空白行

   默認情況下，read.table 忽略空白行。這可以通過設置 blank.lines.skip = FALSE 來改變。但這個參數(shù)只有在和 fill = TRUE 共同使用時才有效。這時，可能是用空白行表明規(guī)則數(shù)據(jù)中的缺損樣本。

9. 變量的類型

   除非你采取特別的行動，read.table 將會為數(shù)據(jù)框的每個變量選擇一個合適的類型。如果字段沒有缺損以及不能直接轉換，它會按 logical， integer， numeric 和complex 的順序依次判斷字段類型。如果所有這些類型都失敗了，變量會轉變成因子。

   參數(shù) colClasses 和 as.is 提供了很大的控制權。 as.is 會 抑制字符向量轉換成因子（僅僅這個功能）。 colClasses運行為輸入中的每個列設置需要的類型。

   注意，colClasses 和 as.is 對每 列專用，而不是每個變量。因此，它對行標簽列也同樣適用（如果有的話）。

10. 注釋

    默認情況下，read.table 用 # 作為注釋標識字符。如果碰到該字符（除了在被引用的字符串內），該行中隨后的內容將會被忽略。只含有空白和注釋的行被當作空白行。

    如果確認數(shù)據(jù)文件中沒有注釋內容，用 comment.char = "" 會比較安全 （也可能讓速度比較快）。

11. 逃逸

    許多操作系統(tǒng)有在文本文件中用反斜杠作為逃逸標識字符的習慣，但是Windows系統(tǒng)是個例外（在路徑名中使用反斜杠）。在 R 里面，用戶可以自行設定這種習慣是否用于數(shù)據(jù)文件。

    read.table 和 scan 都有一個邏輯參數(shù) allowEscapes。從 R 2.2.0 開始，該參數(shù)默認為否，而且反斜杠是唯一被解釋為逃逸引用符的字符（在前面描述的環(huán)境中）。如果該參數(shù)設為是，以C形式的逃逸規(guī)則解釋，也就是控制符如 \a, \b, \f, \n, \r, \t, \v，八進制和十六進制如 \040 和 \0x2A 一樣描述。任何其它逃逸字符都看著是自己，包括反斜杠。

常用函數(shù) read.csv 和 read.delim 為 read.table 設定參數(shù)以符合英語語系本地系統(tǒng)中電子表格導出的CSV和制表符分割的文件。這兩個函數(shù)對應的變種 read.csv2 和read.delim2 是針對在逗號作為小數(shù)點的國家使用時設計的。

如果 read.table 的可選項設置不正確，錯誤信息通常以下面的形式顯示

     Error in scan(file = file, what = what, sep = sep, :
             line 1 did not have 5 elements

或者

     Error in read.table("files.dat", header = TRUE) :
             more columns than column names

這些信息可能足以找到問題所在，但是輔助函數(shù) count.fields 可以進一步的深入研究問題所在。

讀大的數(shù)據(jù)格子（data grid）時，效率最重要。設定 comment.char = ""，以原子向量類型（邏輯型，整型，數(shù)值型，復數(shù)型，字符型或原味型）設置每列的 colClasses ，給定需要讀入的行數(shù) nrows （適當?shù)馗吖酪稽c比不設置這個參數(shù)好）等措施會提高效率。