r - 如何使用多字节分隔符将文本文件读入 GNU R？

Question

我可以使用 read.csv 或 read.csv2 将数据读入 R。但我遇到的问题是我的分隔符是多字节字符串而不是单个字符。我该如何处理？

Answer 1

提供示例数据会有所帮助。但是，您可以根据自己的需要调整以下内容。

我创建了一个示例数据文件，它只是一个包含以下内容的文本文件:

1sep2sep3
1sep2sep3
1sep2sep3
1sep2sep3
1sep2sep3
1sep2sep3
1sep2sep3

我将它保存为“test.csv”。分隔符是“sep”字符串。我想 read.csv()用途 scan() ，它只接受 sep 的单个字符.要绕过它，请考虑以下事项:

dat <- readLines('test.csv')
dat <- gsub("sep", " ", dat)
dat <- textConnection(dat)
dat <- read.table(dat)

readLines()只是读取行。 gsub将多字符分隔字符串替换为单个 ' ' ，或任何对您的数据方便的东西。然后 textConnection()和 read.data()方便地读回所有内容。对于较小的数据集，这应该没问题。如果您有非常大的数据，请考虑使用 AWK 之类的东西进行预处理以替换多字符分隔字符串。以上来自 http://tolstoy.newcastle.edu.au/R/e4/help/08/04/9296.html .

更新
关于您的评论，如果您的数据中有空格，请使用不同的替换分隔符。考虑更换 test.csv到 :

1sep2 2sep3
1sep2 2sep3
1sep2 2sep3
1sep2 2sep3
1sep2 2sep3
1sep2 2sep3
1sep2 2sep3 

然后，使用以下功能:

readMulti <- function(x, sep, replace, as.is = T)
{
    dat <- readLines(x)
    dat <- gsub(sep, replace, dat)
    dat <- textConnection(dat)
    dat <- read.table(dat, sep = replace, as.is = as.is)

    return(dat)
}

尝试:

readMulti('test.csv', sep = "sep", replace = "\t", as.is = T)

在这里，您用制表符 ( \t ) 替换原来的分隔符。 as.is传递给 read.table()防止字符串被读入是因素，但这是你的要求。如果您的数据中有更复杂的空白，您可能会发现 quote参数在 read.table()有用，或使用 AWK、perl 等进行预处理。

类似于 crippledlambda 的 strsplit()最有可能等效于中等大小的数据。如果性能成为问题，请尝试两种方法，看看哪种适合您。