readr：在 read_delim(...) 中使用整齐的选择跨多个列指定列类型

Question

我尝试使用

read_csv

中的

{readr}

将

CSV

文件读入 R。为了演示我的实际问题，我首先将参数

guess_max

重置为 5（默认值为 1000）

library(readr)
formals(read_csv)$guess_max <- 5

以较小的文字数据为例：

csv <- I(
"ID, Col1, Col2, VarA, VarB, VarC
1, NA, NA, NA, NA, NA
2, NA, NA, NA, NA, NA
3, NA, NA, NA, NA, NA
4, NA, NA, NA, NA, NA
5, 0, 1, x, y, z
6, NA, NA, NA, NA, NA")

read_csv(csv)

# # A tibble: 6 × 6
#      ID  Col1    Col2    VarA   VarB   VarC 
#   <dbl>  <lgl>   <lgl>   <lgl>  <lgl>  <lgl>
# 1     1  NA      NA      NA     NA     NA   
# 2     2  NA      NA      NA     NA     NA   
# 3     3  NA      NA      NA     NA     NA   
# 4     4  NA      NA      NA     NA     NA   
# 5     5  FALSE*  TRUE*   NA*    NA*    NA*
# 6     6  NA      NA      NA     NA     NA

*

：出现解析问题

---

受

guess_max

影响，只有前5行（列名和

ID

1到4）用于猜测列类型。因为

ID

1到4中的值全部缺失，所以所有列都被猜测为

logical

，解析错误：

• 0

  ,

  1

  (整数) →

  FALSE

  ,

  TRUE

  (逻辑)

• 'x'

  ,

  'y'

  ,

  'z'

  （字符）→

  NA

  （逻辑）

在这种情况下，我必须手动设置

col_types

：

read_csv(csv, col_types = cols(Col1 = col_integer(), Col2 = col_integer(),
                               VarA = col_character(), VarB = col_character(), VarC = col_character()))

# # A tibble: 6 × 6                                                                                                   
#      ID  Col1  Col2 VarA  VarB  VarC 
#   <dbl> <int> <int> <chr> <chr> <chr>
# 1     1    NA    NA NA    NA    NA   
# 2     2    NA    NA NA    NA    NA   
# 3     3    NA    NA NA    NA    NA   
# 4     4    NA    NA NA    NA    NA   
# 5     5     0     1 x     y     z    
# 6     6    NA    NA NA    NA    NA

当有更多列时，一一提供列类型很烦人。如果我要指定的那些列的名称有一些模式，我希望使用类似 的语法来指定跨多个列的类型，例如

across()

中的

{dplyr}

。伪代码是这样的：

read_csv(csv, col_types = cols(across(starts_with("Col"), col_integer()),
                               across(starts_with("Var"), col_character())))

readr

本身或其他附加包是否可以？

提前致谢！

---

编辑

我需要使用

col_xxx()

而不是它们的缩写（

'i'

、

'c'

等）来创建更通用的列规范，例如

cols(across(contains("Date"), col_date(format = "%m-%d-%Y")),
     across(Fct1:Fct9, col_factor(levels = custom_levels)))

Answer 1

read_delim()

系列使用 tidy-selection 来选择参数为

col_select

的列。您可以利用此参数将 tidy-selection 合并到列类型的规范中。下面是一个简单的实现。关键是设置

n_max = 0L

只读取列名行。

版本 1

col_across <- function(.cols, .fns, file) {
  col_selected <- read_csv(file, n_max = 0L, col_select = {{.cols}}, show_col_types = FALSE)
  lapply(col_selected, function(x) .fns)
}

df <- read_csv(csv, col_types = c(col_across(starts_with("Col"), col_integer(), csv),
                                  col_across(VarA:VarC, col_character(), csv)))
spec(df)
# cols(
#   Col1 = col_integer(),
#   Col2 = col_integer(),
#   VarA = col_character(),
#   VarB = col_character(),
#   VarC = col_character()
# )

上面的方法很简单，但也还过得去，有一些缺点：

1. 需要将相同的文件源（即对象

   csv

   ）传递给每个

   col_across()

   .

2. read_delim

   家族包含多个变体，例如

   read_csv

   ，

   read_csv2

   ，

   read_tsv

   。调用

   df <- read_xxx(...)

   的时候要注意

   col_across()

   已经使用了一致的

   read_xxx

   读取列名

---

版本 2

开发了

col_across

的改进版本，自动检测使用了哪个

read_xxx

，并从外部调用中检索文件源。

col_across <- function(.cols, .fns) {
  sc <- sys.call(1L)
  sc <- match.call(match.fun(sc[[1L]]), sc)
  read_call <- sc[c(1L, match("file", names(sc), 0L))]
  read_call$n_max <- 0L
  read_call$col_select <- substitute(.cols)
  read_call$show_col_types <- FALSE
  lapply(eval(read_call, parent.frame()), function(x) .fns)
}

read_csv(csv, col_types = c(col_across(starts_with("Col"), col_integer()),
                            col_across(VarA:VarC, col_character())))

请注意，此版本的

col_across

只能在

read_delim()

家族内部使用，因为

across

是

mutate

在

dplyr

中。