5

我有近 3.000 个格式相同的 CSV 文件（包含推文），我想将这些文件合并到一个新文件中并删除重复的推文。我遇到过讨论类似问题的各种主题，但是文件数量通常很少。我希望您能帮助我在 R 中编写代码，以高效且有效地完成这项工作。

CSV 文件具有以下格式：

CSV 格式的图像： CSV 文件示例

我将（在第 2 列和第 3 列中）用户名（在 Twitter 上）更改为 AE，将“实际名称”更改为 A1-E1。

原始文本文件：

"tweet";"author";"local.time"
"1";"2012-06-05 00:01:45 @A (A1):  Cruijff z'n met-zwart-shirt-zijn-ze-onzichtbaar logica is even mooi ontkracht in #bureausport.";"A (A1)";"2012-06-05 00:01:45"
"2";"2012-06-05 00:01:41 @B (B1):  Welterusten #BureauSport";"B (B1)";"2012-06-05 00:01:41"
"3";"2012-06-05 00:01:38 @C (C1):  Echt ..... eindelijk een origineel sportprogramma #bureausport";"C (C1)";"2012-06-05 00:01:38"
"4";"2012-06-05 00:01:38 @D (D1):  LOL. \"Na onderzoek op de Fontys Hogeschool durven wij te stellen dat..\" Want Fontys staat zo hoog aangeschreven? #bureausport";"D (D1)";"2012-06-05 00:01:38"
"5";"2012-06-05 00:00:27 @E (E1):  Ik kijk Bureau sport op Nederland 3. #bureausport  #kijkes";"E (E1)";"2012-06-05 00:00:27"

不知何故，我的标题搞砸了，他们显然应该向右移动一列。每个 CSV 文件最多包含 1500 条推文。我想通过检查第二列（包含推文）来删除重复项，因为它们应该是唯一的并且作者列可以相似（例如，一位作者发布多条推文）。

是否可以将合并文件和删除重复文件结合起来，或者这是在自找麻烦，是否应该将进程分开？作为起点，我在 Hayward Godwin 的两个博客中包含了两个链接，其中讨论了合并 CSV 文件的三种方法。

http://psychwire.wordpress.com/2011/06/03/merge-all-files-in-a-directory-using-r-into-a-single-dataframe/

http://psychwire.wordpress.com/2011/06/05/testing-different-methods-for-merging-a-set-of-files-into-a-dataframe/

显然，这个站点上也有一些与我的问题相关的主题（例如Merging multiple csv files in R），但我没有找到任何讨论合并和删除重复项的内容。我真的希望你能帮助我和我有限的 R 知识应对这个挑战！

尽管我尝试了一些在网上找到的代码，但这实际上并没有产生输出文件。大约 3.000 个 CSV 文件具有上述格式。我的意思是尝试了以下代码（用于合并部分）： 

filenames <- list.files(path = "~/")
do.call("rbind", lapply(filenames, read.csv, header = TRUE))

这会导致以下错误： 

Error in file(file, "rt") : cannot open the connection 
In addition: Warning message: 
In file(file, "rt") : 
  cannot open file '..': No such file or directory

更新

我尝试了以下代码：

 # grab our list of filenames
 filenames <- list.files(path = ".", pattern='^.*\\.csv$')
 # write a special little read.csv function to do exactly what we want
 my.read.csv <- function(fnam) { read.csv(fnam, header=FALSE, skip=1, sep=';',     col.names=c('ID','tweet','author','local.time'), colClasses=rep('character', 4)) }
 # read in all those files into one giant data.frame
 my.df <- do.call("rbind", lapply(filenames, my.read.csv))
 # remove the duplicate tweets
 my.new.df <- my.df[!duplicated(my.df$tweet),]

但我遇到以下错误：

在第三行之后，我得到：

  Error in read.table(file = file, header = header, sep = sep, quote = quote,  :  more columns than column names

在第 4 行之后，我得到：

  Error: object 'my.df' not found

我怀疑这些错误是由 csv 文件的写入过程中的一些失败引起的，因为有些情况下 author/local.time 在错误的列中。在他们应该在的位置的左侧或右侧，这会导致额外的列。我手动调整了 5 个文件，并在这些文件上测试了代码，我没有收到任何错误。然而，它似乎什么也没发生。我没有从 R 得到任何输出？

为了解决额外的列问题，我稍微调整了代码：

 #grab our list of filenames
 filenames <- list.files(path = ".", pattern='^.*\\.csv$')
 # write a special little read.csv function to do exactly what we want
 my.read.csv <- function(fnam) { read.csv(fnam, header=FALSE, skip=1, sep=';',   col.names=c('ID','tweet','author','local.time','extra'), colClasses=rep('character', 5)) }
 # read in all those files into one giant data.frame
 my.df <- do.call("rbind", lapply(filenames, my.read.csv))
 # remove the duplicate tweets
 my.new.df <- my.df[!duplicated(my.df$tweet),]

我在所有文件上都尝试了这段代码，虽然 R 显然开始处理，但我最终得到了以下错误：

 Error in read.table(file = file, header = header, sep = sep, quote = quote,  : more columns than column names
 In addition: Warning messages:
 1: In read.table(file = file, header = header, sep = sep, quote = quote,  : incomplete final line found by readTableHeader on 'Twitts -  di mei 29 19_22_30 2012 .csv'
 2: In read.table(file = file, header = header, sep = sep, quote = quote,  : incomplete final line found by readTableHeader on 'Twitts -  di mei 29 19_24_31 2012 .csv'

 Error: object 'my.df' not found

我做错了什么？

4

1 回答 1

8

首先，通过位于文件所在的文件夹中来简化问题，并尝试将模式设置为仅读取文件结尾为“.csv”的文件，例如

filenames <- list.files(path = ".", pattern='^.*\\.csv$')
my.df <- do.call("rbind", lapply(filenames, read.csv, header = TRUE))

这应该会为您提供一个包含所有推文内容的 data.frame

一个单独的问题是 csv 文件中的标题。谢天谢地，你知道所有文件都是相同的，所以我会处理这样的事情：

read.csv('fred.csv', header=FALSE, skip=1, sep=';',
    col.names=c('ID','tweet','author','local.time'),
    colClasses=rep('character', 4))

NB。已更改，因此所有列都是字符，并且 ';' 分开的

如果需要，我会稍后解析时间...

另一个单独的问题是 data.frame 中推文的唯一性 - 但我不清楚您是否希望它们对用户是唯一的或全局唯一的。对于全球唯一的推文，类似

my.new.df <- my.df[!duplicated(my.df$tweet),]

对于作者的独特性，我会附加这两个字段 - 虽然很难知道没有真实数据的情况下什么是有效的！

my.new.df <- my.df[!duplicated(paste(my.df$tweet, my.df$author)),]

因此，将所有这些放在一起，并在此过程中假设一些事情......

# grab our list of filenames
filenames <- list.files(path = ".", pattern='^.*\\.csv$')
# write a special little read.csv function to do exactly what we want
my.read.csv <- function(fnam) { read.csv(fnam, header=FALSE, skip=1, sep=';',
    col.names=c('ID','tweet','author','local.time'),
    colClasses=rep('character', 4)) }
# read in all those files into one giant data.frame
my.df <- do.call("rbind", lapply(filenames, my.read.csv))
# remove the duplicate tweets
my.new.df <- my.df[!duplicated(my.df$tweet),]

根据第 3 行之后的修订警告，这是具有不同列数的文件的问题。这通常不容易修复，除非您建议在规范中有太多列。如果您删除规范，那么当您尝试将 data.frames rbind() 一起使用时会遇到问题......

这是一些使用 for() 循环和一些调试 cat() 语句的代码，以更明确地说明哪些文件已损坏，以便您可以修复问题：

filenames <- list.files(path = ".", pattern='^.*\\.csv$')

n.files.processed <- 0 # how many files did we process?
for (fnam in filenames) {
  cat('about to read from file:', fnam, '\n')
  if (exists('tmp.df')) rm(tmp.df)
  tmp.df <- read.csv(fnam, header=FALSE, skip=1, sep=';',
             col.names=c('ID','tweet','author','local.time','extra'),
             colClasses=rep('character', 5)) 
  if (exists('tmp.df') & (nrow(tmp.df) > 0)) {
    cat('  successfully read:', nrow(tmp.df), ' rows from ', fnam, '\n')
    # now lets append a column containing the originating file name
    # so that debugging the file contents is easier
    tmp.df$fnam <- fnam

    # now lets rbind everything together
    if (exists('my.df')) {
      my.df <- rbind(my.df, tmp.df)
    } else {
      my.df <- tmp.df
    }
  } else {
    cat('  read NO rows from ', fnam, '\n')
  }
}
cat('processed ', n.files.processed, ' files\n')
my.new.df <- my.df[!duplicated(my.df$tweet),]
于 2012-06-09T15:55:47.333 回答