我有一个csv文件,其中一些数字值用逗号作为千位分隔符表示为字符串,例如"1,513"
而不是1513
。最简单的方法是什么来将数据读入R?
我可以使用read.csv(..., colClasses="character")
,但然后我必须从相关元素中删除逗号,然后将这些列转换为数字,我找不到一个简洁的方法来做到这一点。
你可以使用read.table或read.csv来半自动地进行此转换。首先创建一个新的类定义,然后创建一个转换函数,并使用setAs函数将其设置为“as”方法,如下所示:
setClass("num.with.commas")
setAs("character", "num.with.commas",
function(from) as.numeric(gsub(",", "", from) ) )
然后像这样运行read.csv:
DF <- read.csv('your.file.here',
colClasses=c('num.with.commas','factor','character','numeric','num.with.commas'))
setAs("character", "logical.Y.N", function(from) c(Y=TRUE,N=FALSE)[from])
将Y / N值转换为逻辑向量)。 - Marek我希望使用 R 代替预处理数据,因为当数据被修订时,这样做会更容易。根据Shane的建议,使用 gsub
,我认为这是我能做的最简洁的方法:
x <- read.csv("file.csv",header=TRUE,colClasses="character")
col2cvt <- 15:41
x[,col2cvt] <- lapply(x[,col2cvt],function(x){as.numeric(gsub(",", "", x))})
这个问题已经几年了,但我偶然看到它,这意味着可能会有其他人也会看到。
readr
库/软件包具有一些不错的特性。其中一个是一种很好的方式来解释“混乱”的列,比如这些。
library(readr)
read_csv("numbers\n800\n\"1,800\"\n\"3500\"\n6.5",
col_types = list(col_numeric())
)
这会产生
来源:本地数据框 [4 x 1]
numbers
(dbl)
1 800.0
2 1800.0
3 3500.0
4 6.5
读取文件时需要注意的一个重要点是:你要么需要像上面提到 sed
的注释那样进行预处理,要么在读取时进行处理。通常情况下,如果事后尝试修复问题,则会做出一些难以发现的危险假设。(这就是为什么平面文件一开始就很麻烦的原因。)
例如,如果我没有标记 col_types
,我会得到以下结果:
> read_csv("numbers\n800\n\"1,800\"\n\"3500\"\n6.5")
Source: local data frame [4 x 1]
numbers
(chr)
1 800
2 1,800
3 3500
4 6.5
(请注意,现在它是一个字符
(chr
),而不是一个数字
。)
或者更危险的是,如果它足够长且大多数早期元素不包含逗号:
> set.seed(1)
> tmp <- as.character(sample(c(1:10), 100, replace=TRUE))
> tmp <- c(tmp, "1,003")
> tmp <- paste(tmp, collapse="\"\n\"")
(使最后的几个元素看起来像这样:)
\"5\"\n\"9\"\n\"7\"\n\"1,003"
那么你将完全无法读取那个逗号!
> tail(read_csv(tmp))
Source: local data frame [6 x 1]
3"
(dbl)
1 8.000
2 5.000
3 5.000
4 9.000
5 7.000
6 1.003
Warning message:
1 problems parsing literal data. See problems(...) for more details.
我们也可以使用readr :: parse_number
,但列必须是字符类型。如果我们想要将其应用于多个列,则可以使用lapply
循环遍历列。
df[2:3] <- lapply(df[2:3], readr::parse_number)
df
# a b c
#1 a 12234 12
#2 b 123 1234123
#3 c 1234 1234
#4 d 13456234 15342
#5 e 12312 12334512
或者使用dplyr
中的mutate_at
将其应用于特定变量。
library(dplyr)
df %>% mutate_at(2:3, readr::parse_number)
#Or
df %>% mutate_at(vars(b:c), readr::parse_number)
数据
df <- data.frame(a = letters[1:5],
b = c("12,234", "123", "1,234", "13,456,234", "123,12"),
c = c("12", "1,234,123","1234", "15,342", "123,345,12"),
stringsAsFactors = FALSE)
mutate_all
和管道的dplyr
解决方案假设你有以下内容:
> dft
Source: local data frame [11 x 5]
Bureau.Name Account.Code X2014 X2015 X2016
1 Senate 110 158,000 211,000 186,000
2 Senate 115 0 0 0
3 Senate 123 15,000 71,000 21,000
4 Senate 126 6,000 14,000 8,000
5 Senate 127 110,000 234,000 134,000
6 Senate 128 120,000 159,000 134,000
7 Senate 129 0 0 0
8 Senate 130 368,000 465,000 441,000
9 Senate 132 0 0 0
10 Senate 140 0 0 0
11 Senate 140 0 0 0
我希望去掉年份变量X2014-X2016中的逗号,并将它们转换为数字。另外,假设X2014-X2016被默认读入为因子。
dft %>%
mutate_all(funs(as.character(.)), X2014:X2016) %>%
mutate_all(funs(gsub(",", "", .)), X2014:X2016) %>%
mutate_all(funs(as.numeric(.)), X2014:X2016)
mutate_all
将 funs
中的函数应用于指定列。
我是逐个函数地进行操作的(如果在 funs
中使用多个函数,则会创建额外的、不必要的列)。
mutate_each
已被弃用。您是否希望使用mutate_at
或类似函数来更新您的答案? - T_T使用readr库中的read_delim函数,您可以指定额外的参数:
locale = locale(decimal_mark = ",")
read_delim("filetoread.csv", ";", locale = locale(decimal_mark = ","))
*第二行的分号表示read_delim将读取逗号分隔的csv值。
这将有助于将所有使用逗号表示的数字读取为正确的数字。
祝好
Mateusz Kania
lines <- "www, rrr, 1,234, ttt \n rrr,zzz, 1,234,567,987, rrr"
readLines
。然后仅删除数字之间的逗号:gsub("([0-9]+)\\,([0-9])", "\\1\\2", lines)
## [1] "www, rrr, 1234, ttt \n rrr,zzz, 1234567987, rrr"
如果你想知道,逗号作为小数分隔符时可以通过read.csv2(自动处理)或read.table(设置“dec”参数)来处理。
编辑:后来我发现了如何使用colClasses设计新类别。请参见:
如果数字使用“.”进行分隔,小数点使用“,”表示(1.200.000,00),在调用gsub
函数时,您需要设置fixed=TRUE,并将结果转换为数字格式as.numeric(gsub(".","",y,fixed=TRUE))
readr::read_delim
系列函数。以这里的例子为例:将具有多个分隔符的CSV导入R,您可以按照以下方式进行操作:txt <- 'OBJECTID,District_N,ZONE_CODE,COUNT,AREA,SUM
1,Bagamoyo,1,"136,227","8,514,187,500.000000000000000","352,678.813105723350000"
2,Bariadi,2,"88,350","5,521,875,000.000000000000000","526,307.288878142830000"
3,Chunya,3,"483,059","30,191,187,500.000000000000000","352,444.699742995200000"'
require(readr)
read_csv(txt) # = read_delim(txt, delim = ",")
# A tibble: 3 × 6
OBJECTID District_N ZONE_CODE COUNT AREA SUM
<int> <chr> <int> <dbl> <dbl> <dbl>
1 1 Bagamoyo 1 136227 8514187500 352678.8
2 2 Bariadi 2 88350 5521875000 526307.3
3 3 Chunya 3 483059 30191187500 352444.7
as.integer
可能是更好的选择? - tjebo