将 ASCII 文本表格格式读入 R - 列表格式答案

【问题标题】：Read ASCII text tabular format into R - list format将 ASCII 文本表格格式读入 R - 列表格式
【发布时间】：2020-06-03 19:38:27
【问题描述】：

我正在尝试将 ASCI 文本文件读入 R。但是该格式有点困难，分类变量显示为列表名称，而不是一个大型数据集中的变量。

以下是数据示例：https://cdiac.ess-dive.lbl.gov/ftp/ndp030/nation.1751_2014.ems

这些都不起作用：

url <- 'https://cdiac.ess-dive.lbl.gov/ftp/ndp030/nation.1751_2014.ems'

read.table(url)
scan(url)

我可以skip 到不同的行，但这并不能解决问题。无论我从哪里开始，我都会遇到以下错误：

read.table() 抛出关于行号错误的错误的元素。
scan() 到达第一部分时抛出错误具有不同格式的文件：'expected real got xxx'

我认为应该有一种简单的方法来导入它。显然，如果这种格式本身就很难处理，我将不得不阅读每一行，然后编写一个函数将所有内容分开，那么不用担心。

关于处理这种格式的简单方法有什么想法吗？

附言我意识到这个数据的另一个来源是以 CSV 格式以整洁的格式 (https://cdiac.ess-dive.lbl.gov/trends/emis/tre_coun.html) 存储的。但是我现在想知道如何解决这个问题。

【问题讨论】：

标签： r ascii tabular

【解决方案1】：

试试这个：

txt <- readLines('https://cdiac.ess-dive.lbl.gov/ftp/ndp030/nation.1751_2014.ems')

### demonstration of how to find the breaks:
nms <- grep("^[A-Za-z]+$", txt, value = TRUE)
head(nms)
# [1] "AFGHANISTAN" "ALBANIA"     "ALGERIA"     "ANDORRA"     "ANGOLA"     
# [6] "ANGUILLA"   
tail(nms)
# [1] "VANUATU"   "VENEZUELA" "YEMEN"     "ZAMBIA"    "ZANZIBAR"  "ZIMBABWE"

主要工作：

lists <- by(txt, cumsum(grepl("^[A-Za-z]+$", txt)), function(s) {
  ind <- grepl("^[0-9]", s)
  if (any(ind)) cbind(cntry = s[1], read.table(text = as.character(s[ind]), stringsAsFactors = FALSE))
})
lists <- Filter(length, lists)

head(lists[[1]])
#         cntry   V1 V2 V3 V4 V5 V6 V7   V8 V9
# 1 AFGHANISTAN 1949  4  0  0  4  .  0    .  0
# 2 AFGHANISTAN 1950 23  0 18  6  0  0 0.00  0
# 3 AFGHANISTAN 1951 25  0 18  7  0  0 0.00  0
# 4 AFGHANISTAN 1952 25  0 17  9  0  0 0.00  0
# 5 AFGHANISTAN 1953 29  0 18 10  0  0 0.00  0
# 6 AFGHANISTAN 1954 29  0 18 12  0  0 0.00  0

将它们全部组合起来：

alldat <- do.call(rbind, c(lists, list(stringsAsFactors = FALSE)))
head(alldat)
#           cntry   V1 V2 V3 V4 V5 V6 V7   V8 V9
# 1.1 AFGHANISTAN 1949  4  0  0  4  .  0    .  0
# 1.2 AFGHANISTAN 1950 23  0 18  6  0  0 0.00  0
# 1.3 AFGHANISTAN 1951 25  0 18  7  0  0 0.00  0
# 1.4 AFGHANISTAN 1952 25  0 17  9  0  0 0.00  0
# 1.5 AFGHANISTAN 1953 29  0 18 10  0  0 0.00  0
# 1.6 AFGHANISTAN 1954 29  0 18 12  0  0 0.00  0
tail(alldat)
#           cntry   V1   V2 V3   V4   V5 V6  V7   V8 V9
# 160.93 ZIMBABWE 2009 1528  0  455  977  0  95 0.11  6
# 160.94 ZIMBABWE 2010 2121  0  481 1531  0 109 0.15  7
# 160.95 ZIMBABWE 2011 2608  0  888 1584  0 136 0.18  8
# 160.96 ZIMBABWE 2012 2125  0 1006  917  0 201 0.15  9
# 160.97 ZIMBABWE 2013 3184  0 1119 1902  0 162 0.21  9
# 160.98 ZIMBABWE 2014 3278  0 1005 2097  0 177 0.22  9

（这也可以通过dplyr::bind_rows 或data.table::rbindlist 完成。）

对于 R 来说，实际的列名有点冗长且不标准，我会留给你想出有意义的colnames。

【讨论】：