如何在 R 中读取具有许多空白字段的数据

Question

我有一个制表符分隔的文件，如下所示：

"ID\tV1\tV2\tV3\tV4\tV5\n\t1\tA\t\t\t\t1\n\t2\tB\t\t\t\t2"

我使用此代码读取数据：

df <- read.table("path/to/file",header=TRUE,fill=TRUE)

结果是这样的：

df
  id V1 V2 V3 V4 V5
1  1  A  1 NA NA NA
2  2  B  2 NA NA NA

但我希望这样：

df
  id V1 V2 V3 V4 V5
1  1  A  NA NA NA 1
2  2  B  NA NA NA 2

我试过sep="\t"和na.strings=c(""," ",NULL)但这些都没有帮助。

Answer 1

我无法让它与read.table一起使用，那么如何以手动方式解析字符串

ss <- "ID\tV1\tV2\tV3\tV4\tV5\n\t1\tA\t\t\t\t1\n\t2\tB\t\t\t\t2"

library(tidyverse)

entries <- unlist(str_split(ss, "\t"))
ncol <- str_which(entries, "\n")[1]
entries %>%
    str_remove("\\n") %>%
    matrix(ncol = ncol, byrow = T, dimnames = list(NULL, .[1:ncol])) %>%
    as.data.frame() %>%
    slice(-1) %>%
    mutate_if(is.factor, as.character) %>%
    mutate_all(parse_guess)
#  ID V1 V2 V3 V4 V5
#1  1  A NA NA NA  1
#2  2  B NA NA NA  2

解释：我们在"\t"上拆分字符串； "\n"的第一次出现告诉我们我们有多少列。 然后我们通过删除换行符"\n"来整理条目，重新整形为matrix然后作为data.frame ，修复 header，让readr::parse_guess猜测每一列的数据类型。

为了更好地衡量，我们可以将所有东西都卷入 function

read.my.data <- function(s) {
    entries <- unlist(str_split(s, "\t"))
    ncol <- str_which(entries, "\n")[1]
    entries %>%
        str_remove("\\n") %>%
        matrix(ncol = ncol, byrow = T, dimnames = list(NULL, .[1:ncol])) %>%
        as.data.frame() %>%
        slice(-1) %>%
        mutate_if(is.factor, as.character) %>%
        mutate_all(parse_guess)
}

并确认

read.my.data(ss)
#  ID V1 V2 V3 V4 V5
#1  1  A NA NA NA  1
#2  2  B NA NA NA  2

Answer 2

data.table 的fread()读取字符串没有问题...但是您的数据似乎有太多的\t （在每个 \n 之后），这会导致创建额外的列。

在创建文件的导出中修复此问题可能是最好的做法。

如果这不可能，您可以调整fread()的 arguments 以获得所需的 output。

在这里，我们使用drop do 删除由于额外的\t而创建的第一列。
为了取回正确的列名，我们再次读取文件的第一行

string <- "ID\tV1\tV2\tV3\tV4\tV5\n\t1\tA\t\t\t\t1\n\t2\tB\t\t\t\t2"
data.table::fread( string, 
                   drop = 1, 
                   fill = TRUE, 
                   col.names = as.matrix( fread(string, nrows = 1, header = FALSE))[1,] )


   ID V1 V2 V3 V4 V5
1:  1  A NA NA NA  1
2:  2  B NA NA NA  2

Answer 3

正如 Quar 在他/她的评论中已经提到的那样，您的文件在每一行的开头都有一个额外的选项卡，因此列标签的数量与数据字段的数量不匹配：

> foo <- "ID\tV1\tV2\tV3\tV4\tV5\n\t1\tA\t\t\t\t1\n\t2\tB\t\t\t\t2"
> cat(foo, "\n")
ID      V1      V2      V3      V4      V5
        1       A                               1
        2       B                               2 

如果附加的第一列包含唯一的行名，那就没问题了。 所以有两种方法可以解决这个问题：1. 删除空列（最好通过修复生成该文件的进程）或 2. 修复行名问题。

这是我使用第二个选项的建议：

由于数据是制表符分隔的，我会使用read.delim ，它只是read table ，这种文件具有合理的默认值。 当然，在不进行一些调整的情况下使用时会引发错误（“不允许重复的 'row.names'”）。 为了解决这个问题，我们需要告诉它使用自动行编号。 这样，您几乎可以得到您想要的：

> read.delim(text=foo, row.names=NULL)
  row.names ID V1 V2 V3 V4 V5
1            1  A NA NA NA  1
2            2  B NA NA NA  2

剩下要做的就是去掉 row.names 列。 或者，您可能希望将ID列转换为 row.names：

> read.delim(text=foo, row.names='ID')
  row.names V1 V2 V3 V4 V5
1            A NA NA NA  1
2            B NA NA NA  2

希望有帮助。