數據導入讀取read.table函數詳解，如何讀取不規則的數據（fill=T）

函數 read.table 是讀取矩形格子狀數據最爲便利的方式。由於實際可能遇到的狀況比較多，因此預設了一些函數。這些函數調用了 read.table 但改變了它的一些默認參數。

注意，read.table 不是一種有效地讀大數值矩陣的方法：見下面的 scan 函數。

一些須要考慮到問題是：

1. 編碼問題

   若是文件中包含非-ASCII字符字段，要確保以正確的編碼方式讀取。這是在UTF-8的本地系統裏面讀取Latin-1文件的一個主要問題。此時，能夠以下處理

             read.table(file("file.dat", encoding="latin1"))
        

   注意，這在任何能夠呈現Latin-1名字的本地系統裏面運行。

2. 首行問題

   咱們建議你明確地設定 header 參數。按照慣例，首行只有對應列的字段而沒有行標籤對應的字段。所以，它會比餘下的行少一個字段。（若是須要在 R 裏面看到這一行，設置 header = TRUE。）若是要讀取的文件裏面有行標籤的頭字段（多是空的），如下面的方式讀取

             read.table("file.dat", header = TRUE, row.names = 1)
        

   列名字能夠經過 col.names 顯式地設定；顯式設定的名字會替換首行裏面的列名字（若是存在的話）。

3. 分隔符問題

   一般，打開文件看一下就能夠肯定文件所使用的字段分隔符，但對於空白分割的文件，能夠選擇默認的sep = "" （它能使用任何空白符做爲分隔符，好比空格，製表符，換行符）， sep = " " 或者 sep = "\t"。注意，分隔符的選擇會影響輸入的被引用的字符串。

   若是你有含有空字段的製表符分割的文件，必定要使用 sep = "\t"。

4. 引用 默認狀況下，字符串能夠被 " 或 ' 括起，而且兩種狀況下，引號內部的字符都做爲字符串的一部分。有效的引用字符（可能沒有）的設置由參數 quote 控制。對於sep = "\n"，默認值改成 quote = ""。

   若是沒有設定分隔字符，在被引號括起的字符串裏面，引號須要用 C格式的逃逸方式逃逸，即在引號前面直接加反斜槓 \。

   若是設定了分隔符，在被引號括起的字符串裏面，按照電子表格的習慣，把引號重複兩次以達到逃逸的效果。例如

             'One string isn''t two',"one more"
        

   能夠被下面的命令讀取

             read.table("testfile", sep = ",")
        

   這在默認分隔符的文件裏面不起做用。

5. 缺損值 默認狀況下，文件是假定用 NA 表示缺損值，可是，這能夠經過參數 na.strings 改變。參數 na.strings 是一個能夠包括一個或多個缺損值得字符描述方式的向量。

   數值列的空字段也被看做是缺損值。

   在數值列，值 NaN，Inf 和 -Inf 均可以被接受的。

6. 尾部空字段省略的行

   從一個電子表格中導出的文件一般會把拖尾的空字段（包括?塹姆指舴? 忽略掉。爲了讀取這樣的文件，必須設置參數 fill = TRUE。

7. 字符字段中的空白

   若是設定了分隔符，字符字段起始和收尾處的空白會做爲字段一部分看待的。爲了去掉這些空白，可使用參數 strip.white = TRUE。

8. 空白行

   默認狀況下，read.table 忽略空白行。這能夠經過設置 blank.lines.skip = FALSE 來改變。但這個參數只有在和 fill = TRUE 共同使用時纔有效。這時，多是用空白行代表規則數據中的缺損樣本。

9. 變量的類型

   除非你採起特別的行動，read.table 將會爲數據框的每一個變量選擇一個合適的類型。若是字段沒有缺損以及不能直接轉換，它會按 logical， integer，numeric 和 complex 的順序依次判斷字段類型。若是全部這些類型都失敗了，變量會轉變成因子。

   參數 colClasses 和 as.is 提供了很大的控制權。 as.is 會 抑制字符向量轉換成因子（僅僅這個功能）。 colClasses運行爲輸入中的每一個列設置須要的類型。

   注意，colClasses 和 as.is 對每 列專用，而不是每個變量。所以，它對行標籤列也一樣適用（若是有的話）。

10. 註釋

    默認狀況下，read.table 用 # 做爲註釋標識字符。若是碰到該字符（除了在被引用的字符串內），該行中隨後的內容將會被忽略。只含有空白和註釋的行被看成空白行。

    若是確認數據文件中沒有註釋內容，用 comment.char = "" 會比較安全 （也可能讓速度比較快）。

11. 逃逸

    許多操做系統有在文本文件中用反斜槓做爲逃逸標識字符的習慣，可是Windows系統是個例外（在路徑名中使用反斜槓）。在 R 裏面，用戶能夠自行設定這種習慣是否用於數據文件。

    read.table 和 scan 都有一個邏輯參數 allowEscapes。從 R 2.2.0 開始，該參數默認爲否，並且反斜槓是惟一被解釋爲逃逸引用符的字符（在前面描述的環境中）。若是該參數設爲是，以C形式的逃逸規則解釋，也就是控制符如 \a, \b, \f, \n, \r, \t, \v，八進制和十六進制如 \040 和 \0x2A 同樣描述。任何其它逃逸字符都看着是本身，包括反斜槓。

經常使用函數 read.csv 和 read.delim 爲 read.table 設定參數以符合英語語系本地系統中電子表格導出的CSV和製表符分割的文件。這兩個函數對應的變種read.csv2 和 read.delim2 是針對在逗號做爲小數點的國家使用時設計的。

若是 read.table 的可選項設置不正確，錯誤信息一般如下面的形式顯示

     Error in scan(file = file, what = what, sep = sep, :
             line 1 did not have 5 elements

或者

     Error in read.table("files.dat", header = TRUE) :
             more columns than column names

這些信息可能足以找到問題所在，可是輔助函數 count.fields 能夠進一步的深刻研究問題所在。

讀大的數據格子（data grid）時，效率最重要。設定 comment.char = ""，以原子向量類型（邏輯型，整型，數值型，複數型，字符型或原味型）設置每列的colClasses ，給定須要讀入的行數 nrows （適當地高估一點比不設置這個參數好）等措施會提升效率。