我正在努力使用 readLines()
和 read.Table()
在 R 中获得格式良好的数据框。
我想阅读类似 this 的文件这是曲棍球统计数据。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很困难,因为在 this 等其他文件中玩家人数不同。此外,非玩家,签名为 #.AC
, #.HC
等等,不应读入。
我试过这样的事情
LINES <- 19
stats <- read.table(file=Datei, skip=11, header=FALSE, stringsAsFactors=FALSE,
encoding="UTF-8", nrows=LINES)
但如上所述,
LINES
的值每次都不一样。我也试过
readLines
如 this发布,但没有运气。有没有办法在 read.table 中集成条件,比如(伪代码)
if (first character == "AC") {
break read.table
}
对不起,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!
最佳答案
您的数据显示了一些应该按顺序处理的困难,这意味着您不应该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读取的文件的规范,首先找到您实际想要通过任何指标读取的第一行。所以这可以是一个单独的数字,它总是相同的,或者在我的例子中“TEAM STATS”行之后的两行。只需查找起始行后仅包含空格的第一行,即可再次轻松查找最后一行:
lines <- readLines( Datei )
start <- which(lines == "TEAM STATS") + 2
end <- start + min( grep( "^\\s+$", lines[ start:length(lines) ] ) ) -2
lines <- lines[start:end]
读取数据到
data.frame
在您的情况下,您会遇到一些并发症:
#
开头默认情况下,它被识别为注释字符,忽略该行。但即使您关闭此行为( comment.char = ""
),它也不是有效的列名。 read.table
使用它的默认行为 ( comment.char = "#"
) 执行此操作。此外,我们将 PLAYER 列分成两部分,稍后会解决这个问题。 row.names
因为它们不是唯一的。 :
tab <- read.table( text = lines[ start:end ], fill = TRUE, stringsAsFactors=FALSE )
# fix the PLAYER column
tab$V2 <- paste( tab$V2, tab$V3 )
tab <- tab[-3]
修复标题
只需在多个空格处拆分起始行,并通过有效的列名重置第一个条目 (
#
):colns <- strsplit( lines[start], "\\s+" )[[1]]
colns[1] <- "code"
colnames(tab) <- colns
修复案例“POS”为空
这是通过查找最后一个单元格包含
NA
的行来完成的。 s 并将它们向右移动一个单元格: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 ...
关于r - 使用 read.table 或 readLines 的条件输入,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/16384117/