我有一个 csv 文件,其中一些数值表示为字符串,以逗号作为千位分隔符,例如,"1,513"
而不是1513
. 将数据读入 R 的最简单方法是什么?
我可以使用read.csv(..., colClasses="character")
,但是在将这些列转换为数字之前,我必须从相关元素中删除逗号,而且我找不到一种巧妙的方法来做到这一点。
不确定如何read.csv
正确解释它,但您可以使用gsub
替换","
为""
,然后将字符串转换为numeric
使用as.numeric
:
y <- c("1,200","20,000","100","12,111")
as.numeric(gsub(",", "", y))
# [1] 1200 20000 100 12111
之前在 R-Help 上也回答了这个问题(在第二季度这里)。
或者,您可以预处理文件,例如sed
在 unix 中。
您可以让 read.table 或 read.csv 半自动地为您执行此转换。首先创建一个新的类定义,然后创建一个转换函数并使用 setAs 函数将其设置为“as”方法,如下所示:
setClass("num.with.commas")
setAs("character", "num.with.commas",
function(from) as.numeric(gsub(",", "", from) ) )
然后像这样运行 read.csv:
DF <- read.csv('your.file.here',
colClasses=c('num.with.commas','factor','character','numeric','num.with.commas'))
我想使用 R 而不是预处理数据,因为它使修改数据时更容易。按照 Shane 关于 using 的建议gsub
,我认为这是我能做的最简洁的:
x <- read.csv("file.csv",header=TRUE,colClasses="character")
col2cvt <- 15:41
x[,col2cvt] <- lapply(x[,col2cvt],function(x){as.numeric(gsub(",", "", x))})
这个问题已经有好几年了,但我偶然发现了它,这意味着也许其他人会。
库readr
/包有一些不错的功能。其中一个是解释“混乱”列的好方法,比如这些。
library(readr)
read_csv("numbers\n800\n\"1,800\"\n\"3500\"\n6.5",
col_types = list(col_numeric())
)
这产生
来源:本地数据框 [4 x 1]
numbers
(dbl)
1 800.0
2 1800.0
3 3500.0
4 6.5
读取文件时的重要一点:您要么必须预处理,如上面关于 的评论sed
,要么必须在阅读时进行处理。通常,如果你试图在事后解决问题,就会做出一些很难找到的危险假设。(这就是为什么平面文件首先如此邪恶。)
例如,如果我没有标记col_types
,我会得到这个:
> read_csv("numbers\n800\n\"1,800\"\n\"3500\"\n6.5")
Source: local data frame [4 x 1]
numbers
(chr)
1 800
2 1,800
3 3500
4 6.5
(请注意,它现在是chr
( character
) 而不是numeric
。)
或者,更危险的是,如果它足够长并且大多数早期元素不包含逗号:
> set.seed(1)
> tmp <- as.character(sample(c(1:10), 100, replace=TRUE))
> tmp <- c(tmp, "1,003")
> tmp <- paste(tmp, collapse="\"\n\"")
(这样最后几个元素看起来像:)
\"5\"\n\"9\"\n\"7\"\n\"1,003"
然后你会发现阅读那个逗号有困难!
> tail(read_csv(tmp))
Source: local data frame [6 x 1]
3"
(dbl)
1 8.000
2 5.000
3 5.000
4 9.000
5 7.000
6 1.003
Warning message:
1 problems parsing literal data. See problems(...) for more details.
dplyr
使用mutate_all
和管道的解决方案说你有以下几点:
> dft
Source: local data frame [11 x 5]
Bureau.Name Account.Code X2014 X2015 X2016
1 Senate 110 158,000 211,000 186,000
2 Senate 115 0 0 0
3 Senate 123 15,000 71,000 21,000
4 Senate 126 6,000 14,000 8,000
5 Senate 127 110,000 234,000 134,000
6 Senate 128 120,000 159,000 134,000
7 Senate 129 0 0 0
8 Senate 130 368,000 465,000 441,000
9 Senate 132 0 0 0
10 Senate 140 0 0 0
11 Senate 140 0 0 0
并希望从年份变量 X2014-X2016 中删除逗号,并将它们转换为数字。另外,假设 X2014-X2016 被读取为因子(默认)
dft %>%
mutate_all(funs(as.character(.)), X2014:X2016) %>%
mutate_all(funs(gsub(",", "", .)), X2014:X2016) %>%
mutate_all(funs(as.numeric(.)), X2014:X2016)
mutate_all
将内部的函数应用于funs
指定的列
我按顺序执行,一次一个函数(如果您在内部使用多个函数,funs
那么您会创建额外的、不必要的列)
我们也可以使用readr::parse_number
,但列必须是字符。如果我们想将它应用于多个列,我们可以使用遍历列lapply
df[2:3] <- lapply(df[2:3], readr::parse_number)
df
# a b c
#1 a 12234 12
#2 b 123 1234123
#3 c 1234 1234
#4 d 13456234 15342
#5 e 12312 12334512
或使用mutate_at
fromdplyr
将其应用于特定变量。
library(dplyr)
df %>% mutate_at(2:3, readr::parse_number)
#Or
df %>% mutate_at(vars(b:c), readr::parse_number)
数据
df <- data.frame(a = letters[1:5],
b = c("12,234", "123", "1,234", "13,456,234", "123,12"),
c = c("12", "1,234,123","1234", "15,342", "123,345,12"),
stringsAsFactors = FALSE)
R中的“预处理”:
lines <- "www, rrr, 1,234, ttt \n rrr,zzz, 1,234,567,987, rrr"
可以readLines
在textConnection
. 然后只删除数字之间的逗号:
gsub("([0-9]+)\\,([0-9])", "\\1\\2", lines)
## [1] "www, rrr, 1234, ttt \n rrr,zzz, 1234567987, rrr"
知道逗号作为小数分隔符可以由 read.csv2(自动)或 read.table(设置“dec”参数)处理,但与这个问题没有直接关系,这也很有用。
编辑:后来我发现了如何通过设计一个新类来使用 colClasses。看:
使用 read_delim 函数,它是readr库的一部分,您可以指定附加参数:
locale = locale(decimal_mark = ",")
read_delim("filetoread.csv", ";", locale = locale(decimal_mark = ","))
*第二行中的分号表示 read_delim 将读取 csv 分号分隔的值。
这将有助于将所有带逗号的数字读取为正确的数字。
问候
马特乌什·卡尼亚
如果数字用“.”分隔 和小数由“,”(1.200.000,00)调用gsub
你必须set fixed=TRUE as.numeric(gsub(".","",y,fixed=TRUE))
一个很方便的方式是readr::read_delim
-family。以这里的例子:
Importing csv with multiple separators into R你可以这样做:
txt <- 'OBJECTID,District_N,ZONE_CODE,COUNT,AREA,SUM
1,Bagamoyo,1,"136,227","8,514,187,500.000000000000000","352,678.813105723350000"
2,Bariadi,2,"88,350","5,521,875,000.000000000000000","526,307.288878142830000"
3,Chunya,3,"483,059","30,191,187,500.000000000000000","352,444.699742995200000"'
require(readr)
read_csv(txt) # = read_delim(txt, delim = ",")
这导致了预期的结果:
# A tibble: 3 × 6
OBJECTID District_N ZONE_CODE COUNT AREA SUM
<int> <chr> <int> <dbl> <dbl> <dbl>
1 1 Bagamoyo 1 136227 8514187500 352678.8
2 2 Bariadi 2 88350 5521875000 526307.3
3 3 Chunya 3 483059 30191187500 352444.7
我认为预处理是要走的路。您可以使用具有正则表达式替换选项的Notepad++ 。
例如,如果您的文件是这样的:
"1,234","123","1,234"
"234","123","1,234"
123,456,789
然后,您可以使用正则表达式"([0-9]+),([0-9]+)"
并将其替换为\1\2
1234,"123",1234
"234","123",1234
123,456,789
然后你可以使用 x <- read.csv(file="x.csv",header=FALSE)
读取文件。