tidyverse —— readr包

作者简介Introduction

野菜团子，R语言中文社区专栏作者 

博客专栏：https://ask.hellobi.com/blog/esperanca 

往期回顾：

readr包用于读取数据。相比于base包，其优势在于速度快，能提速十余倍；相比于data.table包，其速度稍有逊色，作者Hadley大叔表示，差个1.2到2倍速度的样子，但是，在读取过程中能对数据进行更加精细的解析。下面介绍其主要函数。主要参考R for Data Science一书，http://r4ds.had.co.nz/data-import.html#getting-started。

• 向量解析

parse_logical(), parse_integer(), parse_double(), 和parse_character()这几个函数，分别将向量解析到对应的逻辑值、整型、双精度浮点型和字符型。

• 数字型

parse_integer()和parse_double()要求参数必须是完全的数字，不含其它不可转换的字符，而parse_number()函数就更宽泛一些，直接剪除非数字字符。例如"bu23yub45"，就只提取23，被隔断的45就被剪除。

parse_integer(c("1", "2", "3"))

parse_double(c("1.56", "2.34", "3.56"))

parse_logical(c("true", "false"))

parse_number(c("0%", "10%", "150%"))

parse_number(c("$1,234.5", "$12.45", "bu23yub45"))

还可以自己设置小数点的标法，比如，用逗号表示小数点。

parse_number("$1.234,56",
locale = locale(decimal_mark = ",", grouping_mark = "."))

• 字符型

tidyverse默认用utf-8进行编码。对于要进行解析的字符串，要先弄清楚原码。例如下两句

x1 <- "El Ni\xf1o was particularly bad this year"

x2 <- "\x82\xb1\x82\xf1\x82\xc9\x82\xbf\x82\xcd"

parse_character(x1, locale = locale(encoding = "Latin1"))
parse_character(x2, locale = locale(encoding = "Shift-JIS"))

对于不知道原编码的字符串，可以先用guess_encoding()函数测试一下，猜的不一定对，聊胜于无，比如x2就猜错了。

• 因子型

这个就比较鸡肋，有更好的包，过几天再写笔记。功能主要就是看给出的向量是否有超出给定因子水平的因子。

fruit <- c("apple", "banana")
parse_factor(c("apple", "banana", "bananana"), levels = fruit)

• 时间型

很灵活的时间解析，可以利用locale()函数自行设定解析的方法。前两条命令就设定了法语的月份表达以及字符串的编译为ASCII码。%*表示时间的格式，是format选项的参数，根据要解析的时间进行设置。

parse_date("1 août 2015", "%d %B %Y", locale = locale("fr"))
parse_date("1 aout 2015", "%d %B %Y", locale = locale("fr", asciify = TRUE))
parse_date("January 1, 2010", "%B %d, %Y")
parse_date("2015-Mar-07", "%Y-%b-%d")
parse_date("2015-Mar-07", "%Y%.%b%.%d")

parse_datetime("2010-10-01T2010")  #接受ISO8601标准时间，格式为年月日时分秒

parse_time("20:10:01")
parse_time("01:10 am")

• 文件读写

数据读取主要有read_csv(),read_csv2(), read_tsv(), read_delim(), read_fwf(), fwf_positions()等函数。

read_csv("The first line of metadata
 #The second line of metadata
 srtb
        x,y,z
        1,2,3", skip = 2, trim_ws = TRUE, comment = "#", quoted_na = TRUE, col_names = c("x", "y", "z"))

read_csv函数以逗号划分列。skip表示要跳过不读的行数，comment表示以此开头的行不读。结果如下。

read_delim("a\tb\n1\t2\t.", delim = "\t", na = ".", col_names = c("x", "y", "z"))

read_delim可以自行设定列的分隔符，在delim选项里设定。na表示将该值视为NA值。结果如下。

---

• 国泰安数据读取

从国泰安数据库下载了TXT和CSV格式的两个数据文件尝试读入。

吐槽一句，国泰安真是太不友好了，Excel文件还好，TXT和CSV格式直接读取很虐，需要做一些处理。

前方高能。

这两个文件的内容是一样的，七个变量，七千多个观测值。以我被数据虐待这么些年的经验来看，这么点数据有886kb的大小很不正常，八成藏着什么吊诡的字符要虐我一下，而且数据间隔很不均匀，一看就不是正经的用制表符或者逗号间隔的文件。

试着读一下。

这酸爽，七个变量就读出了一个，还是个空值。

我觉得主要是read_csv这个函数非要用utf-8编码造成的。不然用base包里的read.csv函数来读一下试试。

l1 <- read.csv('F:/action/tidyverse/data/CSR_Finidx.csv', sep = ",", fileEncoding = "UTF-16")
view(l1)

读是读出来了，但是根本不按套路来，七个变量挤成一个，虽然有办法拆开，但还是算是失败了。因为对于几个G的数据来说，base包不行。太弱了，配不上我。

我决定试一下data.table::fread。

library(data.table)
l2 <- fread('F:/action/tidyverse/data/CSR_Finidx.csv')

还是失败了。从报错来说，还是编码的问题。看来这个问题是绕不过去了。

• 手动转码

由于是间隔中有空白字符乱码，导致读取混乱，那只好另存为utf-8编码的文件了。

果然是国泰安这个混蛋的锅。

重新保存的数据new只有453kb大小。fread和read_txt两个函数都很顺利地读取了。

• R转码

stackoverflow上看来的方法。

如果文件很多，懒得手动转码，可以用这个函数搞个遍历就好。

cleanFiles<-function(file,newfile){
  writeLines(iconv(readLines(file,skipNul = TRUE)),newfile)
}
cleanFiles('CSR_Finidx.csv','clean.csv')

很方便。但是有一个缺点，新生成的文件不再包含原有的第一行，即变量名，那行被转码成了NA。而且分隔符被强行改成了制表符。明明是个CSV文件啊。

l <- read_delim('F:/action/tidyverse/data/clean.csv', col_names = paste('v', 1:7), delim = '\t')

除此之外，效果还不错，会计年度变量自动解析成了日期型。

我果然是被虐傻了OTZ

凑合用吧，还能离咋地。

　往期精彩内容整理合集　

公众号后台回复关键字即可学习

回复 R                  R语言快速入门及数据挖掘 
回复 Kaggle案例  Kaggle十大案例精讲（连载中）
回复 文本挖掘      手把手教你做文本挖掘
回复 可视化          R语言可视化在商务场景中的应用 
回复 大数据         大数据系列免费视频教程 
回复 量化投资      张丹教你如何用R语言量化投资 
回复 用户画像      京东大数据，揭秘用户画像
回复 数据挖掘     常用数据挖掘算法原理解释与应用
回复 机器学习     人工智能系列之机器学习与实践
回复 爬虫            R语言爬虫实战案例分享