R语言入门秘录5/25：读取表格数据文件

问题

读取含有数据表格的文本文件。

解决方案

用read.table函数，该函数会返回一个数据框（data frame）:

代码

> dfrm <-read.table(“filename.txt”)

讨论

表格数据文件是很常见的。这是一种格式简单的文本文件：

每一行是一条记录

在每条记录中，各个字段之间都用一个字符分给，例如空格、制表符、逗号、分号等

每条记录的字段的数量是一样的

这种格式比固定宽度的格式更加灵活，每个字段的位置不再需要对齐。下面就是一个名为statisticians.txt的表格文件，是用空格符分割字段的：

代码

Fisher R.A. 1890 1962

Pearson Karl 1857 1936

Cox Gertrude 1900 1978

read.table函数就是用来读取这种文件的。缺省情况下，该函数认为数据字段是由空白（空格或制表符）分割的：

代码

> dfrm <-read.table(“statisticians.txt”)

> print(dfrm)

V1 V2 V3 V4

1 Fisher R.A. 1890 1962

2 Pearson Karl 1857 1936

如果不是用空白分割符，可以用用sep参数指定分隔符。例如，如果字段分隔符是冒号（:），就可以这样读取：

代码

> dfrm <-read.table(“statisticians.txt”, sep=”:”)

从输出中看不出什么问题，但实际上read.table会把姓和名视作factor，而不是字符串。我们可以查看一下这两列的class：

代码

> class(dfrm$V1)

[1] “factor”

为了不让read.table将字符串视为factor，把stringAsFactor参数设为FALSE：

代码

> dfrm <-read.table(“statisticians.txt”, stringsAsFactor=FALSE)

> class(dfrm$V1)

[1] “character”

现在第一列的类型就是字符了，而不是factor。

如果文件中包含“NA”，read.table函数会认为这个值是缺失的，并将其转化成NA。你自己的数据文件也可以用不同的字符串来表示缺失值，用na.strings参数来指定。例如在SAS传统中，缺失值就是用.表示的。我们可以这样来读取这样的数据：

代码

> dfrm <-read.table(“filename.txt”, na.strings=”.”)

我非常喜欢自描述的数据，就是说光从数据文件本身就就能看出它所包含的是什么内容。（用计算机学家的话来说就是，文件包含了它自己的元数据。）read.table有两个特性是支持这个功能的。第一个，数据文件的第一行可以是整个数据的头部，给每一列数据指定一个名字。这一行指定了每一列数据的名称，所使用的分隔符跟数据是一样的。下面是就是带头部信息的数据文件：

代码

lastname firstname born died

Fisher R.A. 1890 1962

Pearson Karl 1857 1936

现在在读取该文件时就要告诉read.table函数这个文件是包含头部的，该函数在构建数据框时就会把这一行数据当作每一列的名称：

代码

> dfrm <-read.table(“statisticians.txt”, header=TRUE, stringsAsFactor=FALSE)

> print(dfrm)

lastname firstname born died

1 Fisher R.A. 1890 1962

2 Pearson Karl 1857 1936

read.table的第二个功能是注释行。所有以井号（#）开头的行都会被忽略，可以把注释放在#符号后：

代码

#本文件中是一些著名统计学家的信息

# Last edited on 1994-06-18

lastname firstname born died

Fisher R.A. 1890 1962

Pearson Karl 1857 1936

Cox Gertrude 1900 1978

Yates Frank 1902 1994

Smith Kirstine 1878 1939

read.table函数有很多参数来控制它解读输入文件的方法。详见该函数的帮助页面。

扩展阅读

如果数据是逗号分割的，请参阅第6招：读取CSV文件。