R语言入门秘录6/25：读取CSV文件

问题

从逗号分割（CSV）的文件中读取数据。

解决方案

用read.csv读取CSV文件。如果CSV文件有头部，就是这样用：

代码

1> tbl <- read.csv(“filename”)

若CSV文件没有头部，就把header选项设为FALSE：

代码

1> tbl <-read.csv(“filename”, header=FALSE)

讨论

像R、Excel等各种电子表格程序、很多数据库管理器、大部分的统计软件包都可以导入和导出CSV格式的文件，所以这种格式比较流行。CSV是一种表格数据的文本文件，每一行是一条数据，一条数据中的各个项目用逗号分隔。下面是一个简单的两行三列的CSV文件（第一行是头部，其中包含了各列的名称，也是用逗号分割的）：

代码

label,lbound,ubound

low,0,0.674

mid,0.674,1.64

high,1.64,2.33

read.csv函数会读取文件中的数据，并创建一个用于存储数据的数据框（data frame）。在R中，常用数据框来表示表格数据。在默认情况下，该函数认为数据文件的第一行是表头：

代码

> tbl <-read.csv(“table-data.csv”)

> tbl

label lbound ubound

1 low 0.000 0.674

2 mid 0.674 1.640

3 high 1.640 2.330

read.csv函数会用表头中的内容给数据框中的各列命名。如果文件中没有表头，可以指定header=FALSE，这样R就会按序给各列命名（在这里就是V1、V2和V3）：

代码

> tbl <-read.csv(“table-data-with-no-header.csv”, header=FALSE)

> tbl

V1 V2 V3

1 low 0.000 0.674

2 mid 0.674 1.640

3 high 1.640 2.330

read.csv的一个特性是会自动地将非数值类型的数据视为因子（factor），即分类变量。这通常能满足大部分情况下的需求，毕竟R是一个统计软件，而不是Perl。tbl数据框中的label变量确实是因子，而不是字符。让我们来看看tbl的结构：

代码

> str(tbl)

‘data.frame’:

3 obs. of 3 variables:

$ label : Factor w/ 3 levels”high”,”low”,”mid”: 2 3 1

$ lbound: num 0 0.674 1.64

$ ubound: num 0.674 1.64 2.33

但在某些情况下，也有可能确实需要字符串，而不是因子。把as.is参数设为TRUE即可，此时R就不会将分数值数据视为因子：

代码

> tbl <-read.csv(“table-data.csv”, as.is=TRUE)

> str(tbl)

‘data.frame’:

3 obs. of 3 variables:

$ label : chr “low””mid” “high”

$ lbound: num 0 0.674 1.64

$ ubound: num 0.674 1.64 2.33

要注意，现在label标量是字符串，而不再是factor。另一个有用的特性是以井号（#）开始的行，即数据文件中的注释，都会被忽略。设置comment.char=””可以禁用该功能。

read.csv函数还有很多有用的小技巧。例如，跳过输入文件的前若干行、控制每一列数据的转换、过滤较短的行、限制行数以及控制字符串的形式等等。详见R帮助页面。

扩展阅读

请读者参阅read.table的R帮主页面，这是read.csv的基础。写CSV文件可以用write.csv函数。