将(字母)数字字段正确读入 R

Question

制表符分隔的文本文件，实际上是数据库表的导出(使用 bcp)，具有以下形式(前 5 列):

102 1   01  e113c   3224.96     12  
102 1   01  e185    101127.25   12
102 2   01  e185    176417.90   12
102A   3    01  e185    26261.03    12

我尝试使用类似

的命令在 R 中导入它

data <- read.delim("C:\\test.txt", header = FALSE, sep = "\t")

问题是实际上是 varchar 字段(字母数字)的第 3 列被错误地读取为整数(因为整列中没有字母)并且前导零消失了。当我使用 odbcConnect 直接从数据库导入数据时，同样的事情发生了。该列再次被读取为整数。

str(data)
$ code: int  1 1 1 1 1 1 6 1 1 8 ...

如何在 R 中正确导入这样的数据集，以便能够在进行一些数据操作后再次安全地填充该数据库表？

编辑

我在 read.delim 中添加了以下参数

 colClasses = c("factor","integer","factor","factor","numeric","character","factor","factor","factor","factor","integer","character","factor")

• 对于 varchar 字段，您建议使用“字符”还是“因子”？

• 日期时间可以使用“字符”吗？

• 我应该怎么做才能准确读取像 540912.68999999994 这样的数字字段而不是 540912.69？

我希望尽可能自动地创建该 colClasses 向量，具体取决于相关表架构中定义的数据类型。

Answer 1

Would you suggest "character" or "factor" for varchar fields?

正如 John 所提到的，这取决于使用情况。两者之间切换很简单，不用太担心。如果该列代表一个分类变量，它最终应该被视为一个因素。如果您打算挖掘文本(例如评论字段)，那么 character 更有意义。

Is it ok to use "character" for datetime ones?

将日期存储在数据框中没问题，但如果您希望出于分析目的正确处理它们，则必须将其转换为 Date 或 POSIXct/POSIXlt 形式。

What should I do in order to be able to read a numeric field like this 540912.68999999994 exactly as is and not as 540912.69?

值以通常的 double 读入(大约 15 个 sig figs)；在此特定示例中，540912.69 是您可以达到的最佳精度。比较

print(540912.68999999994)             # 540912.7
print(540912.68999999994, digits=22)  # 540912.69
print(540912.6899999994)              # 540912.7
print(540912.6899999994, digits=22)   # 540912.6899999994

---

编辑:如果您需要更精确的数字，请使用 Rmpfr包。

---

I would like an -as automatic as possible- creation of that colClasses vector, depending on the datatypes defined in the relevant table's schema.

colClasses 的默认值(当您未指定它时)可以很好地猜测列应该是什么。如果您正在做类似使用 01 作为字符的事情，那么就没有办法明确指定它。