使用 R 清理原始的旧数据答案

【问题标题】：Use R to clean a raw, old data使用 R 清理原始的旧数据
【发布时间】：2017-10-22 09:05:17
【问题描述】：

所以我有一个相当古老的原始数据，如下所示：

        1
    *******
    *******
    *******
    *******
      S  H
     HHHHH
        2
    *******
    JSH   K
    *******
    *******
    *******
    *******

第一行有一个数字1，这是一个ID。下面的 2~7 行每行应该有 7 个元素，对应 7 个类别，比如 a1,a2,a3,a4,a5,a6,a7。第 8 行又是一个 ID。因此，对于每个人，我们有 6 行。

归根结底，我想要一个像这样的输出

   ID   a1   a2 a3   a4   a5   a6   a7
1   1    *    *  *    *    *    *    *
2   1    *    *  *    *    *    *    *
3   1    *    *  *    *    *    *    *
4   1    *    *  *    *    *    *    *
5   1 <NA> <NA>  S <NA> <NA>    H <NA>
6   1 <NA>    H  H    H    H    H <NA>
7   2    *    *  *    *    *    *    *
8   2    J    S  H <NA> <NA> <NA>    K
9   2    *    *  *    *    *    *    *
10  2    *    *  *    *    *    *    *
11  2    *    *  *    *    *    *    *
12  2    *    *  *    *    *    *    *

数据没有任何文件扩展名（如 .csv 或 .txt）。所以第一个问题是如何在R中读取它同时保持数据格式不变。

我尝试使用read.csv()，但它会使第6行变成

SH

将 S 分配到第 1 类而不是第 3 类，将 H 分配到第 2 类而不是第 6 类。最终，我如何生成所需的数据框？

【问题讨论】：

标签： r csv dplyr

【解决方案1】：

试试readLine。它将文件读入字符向量。然后你可以用 "" 分割字符串：

v1 = readLines("C:/User/Yourfolder/test_text")
v2 = t(sapply(v1, function(x) {unlist(strsplit(x,""))}))
rownames(v2) = c(1:length(v1))

输出：

   [,1] [,2] [,3] [,4] [,5] [,6] [,7]
1  " "  " "  " "  " "  "1"  " "  " " 
2  "*"  "*"  "*"  "*"  "*"  "*"  "*" 
3  "*"  "*"  "*"  "*"  "*"  "*"  "*" 
4  "*"  "*"  "*"  "*"  "*"  "*"  "*" 
5  "*"  "*"  "*"  "*"  "*"  "*"  "*" 
6  " "  " "  "S"  " "  " "  "H"  " " 
7  " "  "H"  "H"  "H"  "H"  "H"  " " 
8  " "  " "  " "  " "  "2"  " "  " " 
9  "*"  "*"  "*"  "*"  "*"  "*"  "*" 
10 "J"  "S"  "H"  " "  " "  " "  "K" 
11 "*"  "*"  "*"  "*"  "*"  "*"  "*" 
12 "*"  "*"  "*"  "*"  "*"  "*"  "*" 
13 "*"  "*"  "*"  "*"  "*"  "*"  "*"

【讨论】：

此解决方案似乎无法处理 ID。

【解决方案2】：

在我看来，您可能正在寻找read.fwf。下面是我使用的方法。当然，您希望摆脱 textConnection 部分并将其替换为您的文件的路径，否则我认为这应该可以工作。

d <- read.fwf(textConnection(
"    1  
*******
*******
*******
*******
  S  H 
 HHHHH 
    2  
*******
JSH   K
*******
*******
*******
*******"), 
    widths = rep(1, 7),
    na = c(" "),
    stringsAsFactors = FALSE)

id <- as.numeric(d[seq(1, nrow(d), 7), 5])
id <- rep(id, each = 6)

d <- d[seq(1, nrow(d), 7), ]
d <- cbind(id, d)
names(d)[-1] <- paste0("a", 1:7)
d

   id   a1   a2   a3   a4   a5   a6   a7
3   1    *    *    *    *    *    *    *
4   1    *    *    *    *    *    *    *
5   1    *    *    *    *    *    *    *
6   1 <NA> <NA>    S <NA> <NA>    H <NA>
7   1 <NA>    H    H    H    H    H <NA>
8   1 <NA> <NA> <NA> <NA>    2 <NA> <NA>
9   2    *    *    *    *    *    *    *
10  2    J    S    H <NA> <NA> <NA>    K
11  2    *    *    *    *    *    *    *
12  2    *    *    *    *    *    *    *
13  2    *    *    *    *    *    *    *
14  2    *    *    *    *    *    *    *

【讨论】：

非常感谢，第一次知道这种文件居然有一个名字叫定宽文件！
没问题，我很高兴它有帮助！