R语言数据读入函数read.table

1.read.table：可以读TXT也可以读CSV

(1)file：文件名

(2)header：是否包含表头

(3)sep：分隔符，如果不设定默认是空格

(4)dec：标志小数点符号，有些国家的小数点是逗号

(5)quote：字符串中间如果有引号的处理

(6)row.names：行名，行名不能重复。row.names=1，表示将第一列设置为行号

(7)col.names：列名

函数 read.table 是读取矩形格子状数据最为便利的方式。因为实际可能 遇到的情况比较多，所以预设了一些函数。这些函数调用了 read.table 但改变了它的一些默认参数。

注意，read.table 不是一种有效地读大数值矩阵的方法： 见下面的 scan 函数。

一些需要考虑到问题是：

1. 编码问题

   如果文件中包含非-ASCII字符字段，要确保以正确的编码方式读取。 这是在UTF-8的本地系统里面读取Latin-1文件的一个主要问题。 此时，可以如下处理

             read.table(file("file.dat", encoding="latin1"))
        

   注意，这在任何可以呈现Latin-1名字的本地系统里面运行。

2. 首行问题

   我们建议你明确地设定 header 参数。按照惯例，首行只有对应列的字段而 没有行标签对应的字段。因此，它会比余下的行少一个字段。 （如果需要在 R 里面看到这一行，设置 header = TRUE。） 如果要读取的文件里面有行标签的头字段（可能是空的）， 以下面的方式读取

             read.table("file.dat", header = TRUE, row.names = 1)
        

   列名字可以通过 col.names 显式地设定； 显式设定的名字会替换首行里面的列名字（如果存在的话）。

3. 分隔符问题

   通常，打开文件看一下就可以确定文件所使用的字段分隔符， 但对于空白分割的文件，可以选择默认的sep = "" （ 它能使用任何空白符作为分隔符，比如空格，制表符，换行符）， sep = " " 或者 sep = "\t"。 注意，分隔符的选择会影响输入的被引用的字符串。

   如果你有含有空字段的制表符分割的文件， 一定要使用 sep = "\t"。

4. 引用 默认情况下，字符串可以被 " 或 ' 括起，并且两种情况下，引号内部的字符都作为 字符串的一部分。有效的引用字符（可能没有）的设置由 参数 quote 控制。对于sep = "\n"， 默认值改为 quote = ""。

   如果没有设定分隔字符，在被引号括起的字符串里面，引号需要用 C格式的逃逸方式逃逸，即在引号前面直接加反斜杠 \。

   如果设定了分隔符，在被引号括起的字符串里面，按照电子表格的习惯， 把引号重复两次以达到逃逸的效果。例如

             'One string isn''t two',"one more"
        

   可以被下面的命令读取

             read.table("testfile", sep = ",")
        

   这在默认分隔符的文件里面不起作用。

5. 缺损值 默认情况下，文件是假定用 NA 表示缺损值， 但是，这可以通过参数 na.strings 改变。 参数 na.strings 是一个可以包括一个或多个 缺损值得字符描述方式的向量。

   数值列的空字段也被看作是缺损值。

   在数值列，值 NaN，Inf 和 -Inf 都可以被接受的。

6. 尾部空字段省略的行

   从一个电子表格中导出的文件通常会把拖尾的空字段（包括它们的分隔符） 忽略掉。为了读取这样的文件，必须设置 参数 fill = TRUE。

7. 字符字段中的空白

   如果设定了分隔符，字符字段起始和收尾处的空白会作为字段一部分看待的。 为了去掉这些空白，可以使用参数 strip.white = TRUE。

8. 空白行

   默认情况下，read.table 忽略空白行。 这可以通过设置 blank.lines.skip = FALSE 来改变。 但这个参数只有在和 fill = TRUE 共同使用时才有效。 这时，可能是用空白行表明规则数据中的缺损样本。

9. 变量的类型

   除非你采取特别的行动，read.table 将会为数据框的每个变量 选择一个合适的类型。如果字段没有缺损以及不能直接转换，它会按 logical， integer， numeric 和 complex 的 顺序依次判断字段类型。¹如果所有这些类型都失败了， 变量会转变成因子。

   参数 colClasses 和 as.is 提供了很大的控制权。 as.is 会 抑制字符向量转换成因子（仅仅这个功能）。 colClasses运行为输入中的每个列设置需要的类型。

   注意，colClasses 和 as.is 对每 列专用， 而不是每个变量。因此，它对行标签列也同样适用（如果有的话）。

10. 注释

    默认情况下，read.table 用 # 作为注释标识字符。 如果碰到该字符（除了在被引用的字符串内），该行中随后的内容将会被忽略。 只含有空白和注释的行被当作空白行。

    如果确认数据文件中没有注释内容，用 comment.char = "" 会比较安全 （也可能让速度比较快）。

11. 逃逸

    许多操作系统有在文本文件中用反斜杠作为逃逸标识字符的习惯， 但是Windows系统是个例外（在路径名中使用反斜杠）。 在 R 里面，用户可以自行设定 这种习惯是否用于数据文件。

    read.table 和 scan 都有一个逻辑参数 allowEscapes。 从 R 2.2.0 开始，该参数默认为否，而且反斜杠是唯一被解释为 逃逸引用符的字符（在前面描述的环境中）。如果该参数设为是， 以C形式的逃逸规则解释，也就是控制符如 \a, \b, \f, \n, \r, \t, \v，八进制和十六进制如 \040 和 \0x2A 一样描述。任何其它逃逸字符都看着是自己，包括反斜杠。

常用函数 read.csv 和 read.delim 为 read.table 设定参数以符合英语语系本地系统中电子表格导出的CSV和制表符分割的文件。 这两个函数对应的变种 read.csv2 和 read.delim2 是针对在逗号作为小数点的国家使用时设计的²。

如果 read.table 的可选项设置不正确， 错误信息通常以下面的形式显示

     Error in scan(file = file, what = what, sep = sep, :
             line 1 did not have 5 elements

或者

     Error in read.table("files.dat", header = TRUE) :
             more columns than column names

这些信息可能足以找到问题所在，但是辅助函数 count.fields 可以进一步的深入研究问题所在。

读大的数据格子（data grid）时，效率最重要。设定 comment.char = ""， 以原子向量类型（逻辑型，整型，数值型，复数型，字符型或原味型）设置每列的 colClasses ，给定需要读入的行数 nrows （适当地高估一点比不设置 这个参数好）等措施会提高效率。