R语言学习4–数据导入

基本导入及问题修复

用read_csv()函数可以将csv文件粗略地转换为R中的数据框格式。但是，有很多问题R不能自动解决，需要人工分析。

• 多种格式书写的缺失值无法自动判别->显式指定na=c()

• 列名不规范:跳过（skip=n）或首行不做列名（col_names=FALSE）,或者janitor::clean_names()进行启发式命名格式整理

• 列名推断：

read_csv()默认的推断逻辑是：

Does it contain only F, T, FALSE, or TRUE (ignoring case)? If so, it’s a logical.

Does it contain only numbers (e.g., 1, -4.5, 5e6, Inf)? If so, it’s a number.

Does it match the ISO8601 standard? If so, it’s a date or date-time.

Otherwise, it must be a string.

如：

read_csv("
  logical,numeric,date,string
  TRUE,1,2021-01-15,abc
  false,4.5,2021-02-15,def
  T,Inf,2021-02-16,ghi
")
#> # A tibble: 3 × 4
#>   logical numeric date       string
#>   <lgl>     <dbl> <date>     <chr> 
#> 1 TRUE        1   2021-01-15 abc   
#> 2 FALSE       4.5 2021-02-15 def   
#> 3 TRUE      Inf   2021-02-16 ghi

如此逻辑导入的数据出现问题，用col_types强制指定。

写数据

write_csv()会将数据写成纯文本的csv格式。这个过程会损失所有的R数据结构中的列类别等信息。

可以写成rds或者parquet格式，通用且能够保留数据结构内部信息。

注：由于AI编程的趋势，无必要死记细节的语法，故本文较为简洁。重点在于处理非正常数据时能够发现问题并随机应变。文件导入过程的调整和数据清洗过程相辅相成，实践时应该注意。