R语言read.table()读取不规则数据

R Read.delim Example

read.delim() function reads a file into list. The file by default is separated by tab, it can be comma delimited or any other delimiter specified by parameter "sep=". If the parameter "header=" is "TRUE", then the first row will be treated as the row names. 

read.delim(file, header = FALSE,sep = "\t",quote = "\"",          dec = ".", fill = TRUE, comment.char = "", ...)

read.delim2(file, header = TRUE,sep = "\t",quote = "\"",          dec = ",", fill = TRUE, comment.char = "", ...)

• file: file name

• header: 1st line as header or not, logical

• sep: field separator

• quote: quoting characters

... 

read.delim() is almost the same as read.table(), except the field separator is tab by default. It is convenient for open tab delimited file. 

----------------------------------------------------------------------------------------------------------

数read.table是读取矩形格子状数据最为便利的方式。因为实际可能遇到的情况比较多，所以预设了一些函数。这些函数调用了read.table但改变了它的一些默认参数。

注意，read.table不是一种有效地读大数值矩阵的方法：见下面的scan函数。

一些需要考虑到问题是：

编码问题

如果文件中包含非-ASCII字符字段，要确保以正确的编码方式读取。这是在UTF-8的本地系统里面读取Latin-1文件的一个主要问题。此时，可以如下处理

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

注意，这在任何可以呈现Latin-1名字的本地系统里面运行。

首行问题

我们建议你明确地设定header参数。按照惯例，首行只有对应列的字段而没有行标签对应的字段。因此，它会比余下的行少一个字段。（如果需要在 R 里面看到这一行，设置header = TRUE。）如果要读取的文件里面有行标签的头字段（可能是空的），以下面的方式读取

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

列名字可以通过col.names显式地设定；显式设定的名字会替换首行里面的列名字（如果存在的话）。

分隔符问题

通常，打开文件看一下就可以确定文件所使用的字段分隔符，但对于空白分割的文件，可以选择默认的sep = ""（它能使用任何空白符作为分隔符，比如空格，制表符，换行符），sep = " "或者sep = "t"。注意，分隔符的选择会影响输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"。

引用默认情况下，字符串可以被"或'括起，并且两种情况下，引号内部的字符都作为字符串的一部分。有效的引用字符（可能没有）的设置由参数quote控制。对于sep = "n"，默认值改为quote = ""。

如果没有设定分隔字符，在被引号括起的字符串里面，引号需要用 C格式的逃逸方式逃逸，即在引号前面直接加反斜杠。

如果设定了分隔符，在被引号括起的字符串里面，按照电子表格的习惯，把引号重复两次以达到逃逸的效果。例如

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

可以被下面的命令读取

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

这在默认分隔符的文件里面不起作用。

缺损值默认情况下，文件是假定用NA表示缺损值，但是，这可以通过参数na.strings改变。参数na.strings是一个可以包括一个或多个缺损值得字符描述方式的向量。

数值列的空字段也被看作是缺损值。

在数值列，值NaN，Inf和-Inf都可以被接受的。

尾部空字段省略的行

从一个电子表格中导出的文件通常会把拖尾的空字段（包括?堑姆指舴? 忽略掉。为了读取这样的文件，必须设置参数fill = TRUE。

字符字段中的空白

如果设定了分隔符，字符字段起始和收尾处的空白会作为字段一部分看待的。为了去掉这些空白，可以使用参数strip.white = TRUE。

空白行

默认情况下，read.table忽略空白行。这可以通过设置blank.lines.skip = FALSE来改变。但这个参数只有在和fill = TRUE共同使用时才有效。这时，可能是用空白行表明规则数据中的缺损样本。

变量的类型

除非你采取特别的行动，read.table将会为数据框的每个变量选择一个合适的类型。如果字段没有缺损以及不能直接转换，它会按logical，integer，numeric和complex的顺序依次判断字段类型。如果所有这些类型都失败了，变量会转变成因子。

参数colClasses和as.is提供了很大的控制权。as.is会抑制字符向量转换成因子（仅仅这个功能）。colClasses运行为输入中的每个列设置需要的类型。

注意，colClasses和as.is对每列专用，而不是每个变量。因此，它对行标签列也同样适用（如果有的话）。

注释

默认情况下，read.table用#作为注释标识字符。如果碰到该字符（除了在被引用的字符串内），该行中随后的内容将会被忽略。只含有空白和注释的行被当作空白行。

如果确认数据文件中没有注释内容，用comment.char = ""会比较安全 （也可能让速度比较快）。

逃逸

许多操作系统有在文本文件中用反斜杠作为逃逸标识字符的习惯，但是Windows系统是个例外（在路径名中使用反斜杠）。在 R 里面，用户可以自行设定这种习惯是否用于数据文件。

read.table和scan都有一个逻辑参数allowEscapes。从 R 2.2.0 开始，该参数默认为否，而且反斜杠是唯一被解释为逃逸引用符的字符（在前面描述的环境中）。如果该参数设为是，以C形式的逃逸规则解释，也就是控制符如a, b, f, n, r, t, v，八进制和十六进制如40和x2A一样描述。任何其它逃逸字符都看着是自己，包括反斜杠。

常用函数read.csv和read.delim为read.table设定参数以符合英语语系本地系统中电子表格导出的CSV和制表符分割的文件。这两个函数对应的变种read.csv2和read.delim2是针对在逗号作为小数点的国家使用时设计的。

如果read.table的可选项设置不正确，错误信息通常以下面的形式显示

Error in scan(file = file, what  what, sep = sep 

或者

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

这些信息可能足以找到问题所在，但是辅助函数count.fields可以进一步的深入研究问题所在。

读大的数据格子（data grid）时，效率最重要。设定comment.char = ""，以原子向量类型（逻辑型，整型，数值型，复数型，字符型或原味型）设置每列的colClasses，给定需要读入的行数nrows（适当地高估一点比不设置这个参数好）等措施会提高效率。