data.table::fread不喜欢在第一列中出现缺失值。

Question

这是data.table::fread（版本1.9.2）的一个bug还是用户期望/错误错位？

考虑这个微不足道的例子，我有一个用制表符TAB分隔的值表，其中可能有缺失值。如果第一列中的值缺失，fread会感到不安，但是如果缺失值在其他地方，我会得到我期望的data.table：

# Data with missing value in first column, third row and last column, second row:
12  876 19
23  39  
    15  20

fread("12   876 19
23  39  
    15  20")
#Error in fread("12\t876\t19\n23\t39\t\n\t15\t20") : 
#  Not positioned correctly after testing format of header row. ch='    '

# Data with missing values last column, rows two and three: 
"12 876 19
23  39  
15  20  "

fread( "12  876 19
23  39  
15  20  " )
#   V1  V2 V3
#1: 12 876 19
#2: 23  39 NA
#3: 15  20 NA
# Returns as expected.

这是一个bug吗，还是第一列中不可能有缺失值（或者我的数据存在格式问题）？

- Simon O'Hanlon

---

数据表fread位置错误的重复问题 - GSee

@GSee 我不认为这是一个重复的问题 - 虽然出现了相同的错误信息，但我在那个问题中没有看到缺失值。我注意到 Ananda 提出的解决方案在这种情况下也不适用。但感谢提供相关 r-forge 问题的链接！ - Simon O'Hanlon

现在……如何检查版本 1180……？！ - Simon O'Hanlon

将"@1180"添加到命令的末尾：svn checkout svn://svn.r-forge.r-project.org/svnroot/datatable/@1180。 - GSee

Answer 1

我相信这是我在这里报告过的同一个错误。

我知道最近可用于此类输入的版本是Rev. 1180。您可以通过在svn checkout命令的末尾添加@1180来检出并构建该版本。

svn checkout svn://svn.r-forge.r-project.org/svnroot/datatable/@1180

如果您不熟悉检查和构建软件包，请看这里。

但是，自Rev. 1180以来，已经实现了许多出色的功能、错误修复和增强功能。（撰写本文时的开发版本为Rev. 1272）。因此，更好的解决方案是用Rev. 1180或更早版本的R/fread.R和src/fread.c文件替换它们，并重新构建软件包。

您可以在此处找到那些文件的在线版本（抱歉，我无法想出如何发布包含“*”的链接，所以您必须复制/粘贴）。

fread.R:
http://r-forge.r-project.org/scm/viewvc.php/*checkout*/pkg/R/fread.R?revision=988&root=datatable

fread.c:
http://r-forge.r-project.org/scm/viewvc.php/*checkout*/pkg/src/fread.c?revision=1159&root=datatable

一旦您重新构建了软件包，就可以读取您的 tsv 文件了。

> fread("12\t876\t19\n23\t39\t\n\t15\t20")
   V1  V2 V3
1: 12 876 19
2: 23  39 NA
3: NA  15 20

这样做的缺点是，旧版本的fread()无法通过较新的测试 -- 你将无法读取中间带有引号的字段。

> fread('A,B,C\n1.2,Foo"Bar,"a"b\"c"d"\nfo"o,bar,"b,az""\n')
Error in fread("A,B,C\n1.2,Foo\"Bar,\"a\"b\"c\"d\"\nfo\"o,bar,\"b,az\"\"\n") : 
  Not positioned correctly after testing format of header row. ch=','

使用更新版本的fread，你会得到这个结果。

> fread('A,B,C\n1.2,Foo"Bar,"a"b\"c"d"\nfo"o,bar,"b,az""\n')
      A       B       C
1:  1.2 Foo"Bar a"b"c"d
2: fo"o     bar   b,az"

因此，目前哪个版本“有效”取决于您更有可能在第一列中缺少值还是在字段中使用引号。对我来说，是前者，所以我仍在使用旧代码。

- GSee