4

我正在努力使用readLines()并read.Table()在 R 中获得格式良好的数据框。

我想阅读像这样的曲棍球统计文件。我想获得一个格式良好的数据框，但是，指定要读取的具体行数是困难的，因为在像这样的其他文件中，播放器的数量是不同的。此外，非玩家，签名为#.AC等#.HC，不应该被读入。

我尝试过这样的事情

LINES <- 19  
stats <- read.table(file=Datei, skip=11, header=FALSE, stringsAsFactors=FALSE,
                  encoding="UTF-8", nrows=LINES)

但是如上所述，LINES每次的值都不同。

我也尝试readLines过在这篇文章中，但没有运气。

有没有办法在 read.table 中集成一个条件，比如（伪代码）

if (first character == "AC") {
    break read.table
  }

抱歉，如果这看起来很奇怪，我在脚本或编码方面没有太多经验。

任何帮助表示赞赏，非常感谢！

问候！

4

1 回答 1

3

您的数据显示了一些应按顺序处理的困难，这意味着您不应尝试使用一个命令读取整个文件：

阅读普通行并找到开始和停止行

根据您在我的建议中阅读的文件的规范，首先通过任何指标找到您实际想要读取的第一行。所以这可以是一个单独的数字，它总是相同的，或者在我的示例中，在 "TEAM STATS" 行之后的两行。只需在起始行之后查找仅包含空格的第一行，就可以再次轻松找到最后一行：

lines <- readLines( Datei )
start <- which(lines == "TEAM STATS") + 2
end   <- start + min( grep( "^\\s+$", lines[ start:length(lines) ] ) ) -2
lines <- lines[start:end]

读取数据到data.frame

在您的情况下，您会遇到一些并发症：

  • 您的标题行以#默认识别为注释字符的开头，忽略该行。但即使您关闭此行为 ( comment.char = "")，它也不是有效的列名。
  • 如果我们告诉 read.table 沿空格拆分列，那么由于 Player 列在单元格中包含空格，因此您最终会在数据中比在标题中多一列。因此，目前最好的办法是忽略标题行，并read.table使用它的默认行为 ( comment.char = "#") 来执行此操作。此外，我们将 PLAYER 列分成两部分，稍后将修复此问题。
  • 您将无法使用第一列，row.names因为它们不是唯一的。
  • 行的长度不相等，因为 POS 列没有在任何地方填充。

：

tab <- read.table( text = lines[ start:end ], fill = TRUE, stringsAsFactors=FALSE )
# fix the PLAYER column
tab$V2 <-  paste( tab$V2, tab$V3 )
tab <- tab[-3]

修复标题

只需将起始行拆分为多个空格，然后将第一个条目 ( #) 重置为有效的列名：

colns <- strsplit( lines[start], "\\s+" )[[1]]
colns[1] <- "code"
colnames(tab) <- colns

修复案例是“POS”为空

这是通过查找最后一个单元格包含NAs 的行并将它们向右移动一个单元格来完成的：

colsToFix <- which( is.na(tab[, "SHO%"]) )
tab[ colsToFix, 4:ncol(tab) ] <- tab[ colsToFix, 3:(ncol(tab)-1) ]
tab[ colsToFix, 3  ] <- NA

> str(tab)
'data.frame':   25 obs. of  20 variables:
 $ code  : chr  "93" "91" "61" "88" ...
 $ PLAYER: chr  "Eichelkraut, Flori" "Müller, Lars" "Alt, Sebastian" "Gross, Arthur" ...
 $ POS   : chr  "F" "F" "D" "F" ...
 $ GP    : chr  "8" "6" "7" "8" ...
 $ G     : int  10 1 4 3 4 2 0 2 1 0 ...
 $ A     : int  5 11 5 5 3 4 6 3 3 4 ...
 $ PTS   : int  15 12 9 8 7 6 6 5 4 4 ...
 $ PIM   : int  12 10 12 6 2 36 37 29 6 0 ...
 $ PPG   : int  3 0 1 1 1 1 0 0 1 0 ...
 $ PPA   : int  1 5 2 2 1 2 4 2 1 1 ...
 $ SHG   : int  0 1 0 1 1 0 0 0 0 0 ...
 $ SHA   : int  0 0 1 0 1 0 0 1 0 0 ...
 $ GWG   : int  2 0 1 0 0 0 0 0 0 0 ...
 $ FG    : int  1 0 1 1 1 0 0 0 0 0 ...
 $ OTG   : int  0 0 0 0 0 0 0 0 0 0 ...
 $ UAG   : int  1 0 1 0 0 0 0 0 0 0 ...
 $ ENG   : int  0 0 0 0 0 0 0 0 0 0 ...
 $ SHOG  : int  0 0 0 0 0 0 0 0 0 0 ...
 $ SHOA  : num  0 0 0 0 0 0 0 0 0 0 ...
 $ SHO%  : num  0 0 0 0 0 0 0 0 0 0 ...
于 2013-05-05T12:56:49.663 回答