R读写文本

基础

readr提供许多工具函数用于读取不同类型的文件：

• 分隔符：read_csv()读取逗号分隔的文件；read_csv2()读取分号分隔的文件；read_tsv()读取\t分隔的文件；read_delim()读取任意分隔符分隔的文件。
• 固定宽度：read_fwf()读取固定宽度的文件，指定宽度的方法包括三种，一是fwf_empty()，获取一个或多个空格形成的空白位置，并用其拆分列，这种模式被封装为另一个函数read_table()；二是fwf_widths()，指定每个字段的宽度；三是fwf_positions()，提供两个vector，分别指定每个字段的起始位置和结束位置。
• 日志：read_log()读取Apache风格的日志，更高级的功能可以使用webreadr包。

本文只讲解read_csv()方法，其余方法类似。

read_csv()的第一个参数是文件路径，另有几个常用的选项：

• skip=n：跳过前n行；
• comment="#"：忽略以#开头的所有行；
• col_names = FALSE：告诉readr文件不包含列名；
• na="NA"：告诉readr文件中的NA字符串代表空值

绝大多数情况下，上面的这些知识就足够用来读取文本了。readr提供的这些工具比R内置的read.table()系列函数效率要高十几倍。如果文件还是太大，读的还是太慢，可以移步data.table包，试一下fread()函数。

进阶

如果读取文件遇到了问题，那就需要这些知识帮助你正确地读入文件。

首先，我们要知道data.frame是按列存储的，每一列是一个向量。readr的底层原理是：读取文件的前1000行，对1000行的每一列去推断它最可能的类型。所以以下情况就会出错：假设一列数据是numeric类型，但是前1000行是整数，所以被错误地判断为integer类型，导致这列后续的值读取出错；又或者这一列的前1000行是缺失值，会被错误地判断为character类型，导致这列后续的值虽然被读入，但类型不对。你可以使用下面的选项推测类型时修改读取的行数：

• guess_max = 1001：读取前1001行推断每列类型。

每一列数据最开始都被当做是字符串，readr一共有以下几类解析器，试图将其解析为对应的格式：

• parse_logical()和parse_integer()
• parse_double()
• parse_character()：主要得处理编码问题
• parse_factor()
• parse_datetime()、parse_date()和parse_time()：针对日期时间处理

调用read_csv()失败后会返回解析失败的几行数据，用problems()可以观察所有的出错结果。根据观察结果，你可以使用以下选项人工指定每一列的类型：

• col_types = cols(x = col_integer(), y = col_character())：指定x为整数类型，指定y为字符串类型。
• col_types = cols(.default = col_character())：让未声明类型的每一列都按照字符串类型读取。

上述的每个parse_xyz()对应一个col_xyz()类型。