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
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!
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)))
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。
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:
csv
)传递给每个col_across()
.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。