如何在 R 中读取具有不同列数的 CSV 文件

Question

我有一个稀疏数据集，它的列数长度各不相同，采用 csv 格式。这是文件文本的示例。

12223, University
12227, bridge, Sky
12828, Sunset
13801, Ground
14853, Tranceamerica
14854, San Francisco
15595, shibuya, Shrine
16126, fog, San Francisco
16520, California, ocean, summer, golden gate, beach, San Francisco

当我使用时

read.csv("data.txt", header = F)

R 会将数据集解释为具有 3 列，因为大小是根据前 5 行确定的。无论如何强制 r 将数据放在更多列中？

Answer 1

我遇到了类似的挑战，但 Blue Magister 的回答中的 count.fields 不起作用，可能是因为字段内的逗号与 sep="," 冲突。此外，列数因文件而异。 所以我只是在read.table中定义了多余的col.names（在我的情况下100就足够了），然后我使用which(!is.na())去除多余的列。

dat <- read.table("path/to/file.csv", col.names = paste("V",1:100), fill = T, sep = ",")
dat <- dat[,which(!is.na(dat[1,]))]

Answer 2

试试这个，它更有活力..

readVariableWidthFile <- function(filePath){
  con <-file(filePath)
  lines<- readLines(con)
  close(con)
  slines <- strsplit(lines,",")
  colCount <- max(unlist(lapply(slines, length)))

  FileContent <- read.csv(filePath,
                        header = FALSE,
                        col.names = paste0("V",seq_len(colCount)),
                        fill = TRUE)
  return(FileContent)
}

Answer 3

在?read.table 文档的深处有以下内容：

数据列的数量是通过查看前五个来确定的 输入行（如果文件少于五行，则为整个文件），或 从col.names 的长度开始，如果它被指定并且更长。这 如果fill 或blank.lines.skip are true 可能是错误的，所以 如有必要，请指定 col.names（如“示例”中所示）。

因此，让我们将 col.names 定义为长度 X（其中 X 是数据集中的最大字段数），并设置 fill = TRUE：

dat <- textConnection("12223, University
12227, bridge, Sky
12828, Sunset
13801, Ground
14853, Tranceamerica
14854, San Francisco
15595, shibuya, Shrine
16126, fog, San Francisco
16520, California, ocean, summer, golden gate, beach, San Francisco")

read.table(dat, header = FALSE, sep = ",", 
  col.names = paste0("V",seq_len(7)), fill = TRUE)

     V1             V2             V3      V4           V5     V6             V7
1 12223     University                                                          
2 12227         bridge            Sky                                           
3 12828         Sunset                                                          
4 13801         Ground                                                          
5 14853  Tranceamerica                                                          
6 14854  San Francisco                                                          
7 15595        shibuya         Shrine                                           
8 16126            fog  San Francisco                                           
9 16520     California          ocean  summer  golden gate  beach  San Francisco

如果不知道最大字段数，可以使用漂亮的实用函数count.fields（我在read.table示例代码中找到）：

count.fields(dat, sep = ',')
# [1] 2 3 2 2 2 2 3 3 7
max(count.fields(dat, sep = ','))
# [1] 7

可能有帮助的相关阅读：Only read limited number of columns in R

Answer 4

这似乎确实有效（遵循@BlueMagister 的建议）：

tt <- read.table("~/Downloads/tmp.csv", fill=TRUE, header=FALSE, 
          sep=",", colClasses=c("numeric", rep("character", 6)))
names(tt) <- paste("V", 1:7, sep="")

     V1             V2             V3      V4           V5     V6             V7
1 12223     University                                                          
2 12227         bridge            Sky                                           
3 12828         Sunset                                                          
4 13801         Ground                                                          
5 14853  Tranceamerica                                                          
6 14854  San Francisco                                                          
7 15595        shibuya         Shrine                                           
8 16126            fog  San Francisco                                           
9 16520     California          ocean  summer  golden gate  beach  San Francisco

Answer 5

你可以这样读取数据：

dat <- textConnection("12223, University
12227, bridge, Sky
12828, Sunset
13801, Ground
14853, Tranceamerica
14854, San Francisco
15595, shibuya, Shrine
16126, fog, San Francisco
16520, California, ocean, summer, golden gate, beach, San Francisco")

dat <- readLines(dat)
dat <- strsplit(dat, ",")

这会产生一个列表。