无法将此 excel 文件导入 R答案

【问题标题】：Can't import this excel file into R无法将此 excel 文件导入 R
【发布时间】：2017-01-31 05:32:15
【问题描述】：

我在将文件导入 R 时遇到问题。该文件是从以下网站获得的：https://report.nih.gov/award/index.cfm，我在该网站上单击“导入表”并下载了 1992 年的 .xls 文件。

这张图片可能有助于描述我如何检索数据

这是我尝试在控制台中输入的内容以及结果：

输入：

> library('readxl')
> data1992 <- read_excel("1992.xls")

输出：

Not an excel file
Error in eval(substitute(expr), envir, enclos) : 
  Failed to open /home/chrx/Documents/NIH Funding Awards, 1992 - 2016/1992.xls

输入：

> data1992 <- read.csv ("1992.xls", sep ="\t")

输出：

Error in read.table(file = file, header = header, sep = sep, quote = quote,  : 
  more columns than column names

我不确定这是否相关，但我使用的是 GalliumOS (linux)。因为我使用的是 Linux，所以我的计算机上没有安装 Excel。 LibreOffice 是。

【问题讨论】：

我认为您需要提供更多关于如何获取必要的 Excel 文件以重现此内容的信息。如果我只是单击那个链接并输入 1992 年，结果就是一个项目列表。我看不到任何地方可以下载 Excel 文件。是组织列表中的导出表选项吗？
没问题，给我一秒钟。
好的，我上传了一张截图，并添加了文字来描述我所做的事情。
这只是 excel 文件中一些混乱的元数据。如果您在 MS Excel 中打开它，请忽略有关文件类型的警告，然后重新保存为 xls，然后正常读取。
有时将.xls文件转换为.csv并使用read.csv将CSV文件读入R会更容易

标签： r excel file import format

【解决方案1】：

如果 .csv 就在网页上供您抓取，为什么还要费心将数据输入和输出？

# note the query parameters in the url when you apply a filter, e.g. fy=
url <- 'http://report.nih.gov/award/index.cfm?fy=1992'

library('rvest')
library('magrittr')
library('dplyr')
df <- url %>%
        read_html() %>%
        html_nodes(xpath='//*[@id="orgtable"]') %>%
        html_table()%>% 
        extract2(1) %>%
        mutate(Funding = as.numeric(gsub('[^0-9.]','',Funding)))

head(df)

                              Organization          City State       Country Awards Funding
1 A.T. STILL UNIVERSITY OF HEALTH SCIENCES    KIRKSVILLE    MO UNITED STATES      3  356221
2                     AAC ASSOCIATES, INC.        VIENNA    VA UNITED STATES     10 1097158
3       AARON DIAMOND AIDS RESEARCH CENTER      NEW YORK    NY UNITED STATES      3  629946
4                      ABBOTT LABORATORIES NORTH CHICAGO    IL UNITED STATES      4 1757241
5                            ABIOMED, INC.       DANVERS    MA UNITED STATES      6 2161146
6                     ABRATECH CORPORATION     SAUSALITO    CA UNITED STATES      1  450411

如果您需要循环到 1992 年到现在，或类似的东西，与处理一堆平面文件相比，这种编程方法将为您节省大量时间。

【讨论】：

谢谢，@Caffeine。我没有抓取网页的原因是因为我对 R 很陌生，所以甚至没有想到它。不过，您的解决方案似乎很棒。我肯定要阅读更多关于您正在使用的软件包的信息。
@GeorgeTye 不客气——如果 Hack-R 或我回答了你的问题，请单击复选标记接受（两个答案都有效，所以我不介意你接受另一个）

【解决方案2】：

这对我有用

library(gdata)
dat1 <- read.xls("1992.xls")

如果您使用的是 32 位 Windows，这也可以：

require(RODBC)
dat1 <- odbcConnectExcel("1992.xls")

要了解更多依赖于基于rJava 的软件包的选项，例如xlsx，您可以查看此link。

正如 cmets 中提到的那样，将文件另存为 .csv 并以这种方式读取也很容易。这将为您省去处理奇怪格式或元数据对导入文件的影响的麻烦：

dat1 <- read.csv("1992.csv")

head(dat1)

                              ORGANIZATION          CITY STATE       COUNTRY AWARDS     FUNDING
1 A.T. STILL UNIVERSITY OF HEALTH SCIENCES    KIRKSVILLE    MO UNITED STATES      3   $356,221 
2                     AAC ASSOCIATES, INC.        VIENNA    VA UNITED STATES     10 $1,097,158 
3       AARON DIAMOND AIDS RESEARCH CENTER      NEW YORK    NY UNITED STATES      3   $629,946 
4                      ABBOTT LABORATORIES NORTH CHICAGO    IL UNITED STATES      4 $1,757,241 
5                            ABIOMED, INC.       DANVERS    MA UNITED STATES      6 $2,161,146 
6                     ABRATECH CORPORATION     SAUSALITO    CA UNITED STATES      1   $450,411

在我看来，转换为 .csv 通常也是最快的方式（尽管这只是大数据的问题）。

【讨论】：