使用 R 中 readr 包中的 read_csv 将未引用的字符串作为因子导入答案

【问题标题】：Importing unquoted strings as factors using read_csv from the readr package in R使用 R 中 readr 包中的 read_csv 将未引用的字符串作为因子导入
【发布时间】：2017-03-15 00:15:39
【问题描述】：

我有一个包含许多列的 .csv 数据文件。不幸的是，字符串值没有引号（即，apples i.o. "apples）。当我使用 readr 包中的 read_csv 时，字符串值被导入为字符：

library(readr)

mydat = data.frame(first = letters, numbers = 1:26, second = sample(letters, 26))
write.csv(mydat, "mydat.csv", quote = FALSE, row.names = FALSE)

read_csv("mydat.csv")

结果：

Parsed with column specification:
cols(
  first = col_character(),
  numbers = col_integer(),
  second = col_character()
)
# A tibble: 26 x 3
   first numbers second
   <chr>   <int>  <chr>
1      a       1      r
2      b       2      n
3      c       3      m
4      d       4      z
5      e       5      p
6      f       6      j
7      g       7      u
8      h       8      l
9      i       9      e
    10     j      10      h
    # ... with 16 more rows

有没有办法强制 read_csv 将字符串值导入为因子 i.o.字符？

重要的是，我的数据文件有这么多列（字符串和数字变量），AFAIK 无法通过提供带有 col_types 参数的列规范来完成这项工作。

其他解决方案（例如，使用 read.csv 导入数据，或使用 dplyr 代码将数据框中的所有字符变量更改为因子）也值得赞赏。

更新：我了解到 csv 文件中的值是否带引号对 read.csv 或 read_csv 没有影响。 read.csv 会将这些值作为因子导入； read_csv 会将它们作为字符导入。我更喜欢使用 read_csv，因为它比 read.csv 快得多。

【问题讨论】：

在col_types 中指定col_factor()。或者只使用read.csv。
例如read_csv('mydat.csv', col_types = cols(first = col_factor(levels = letters)))。不过，我认为您的问题可能会被误导； R 自动处理引号。
不确定我是否明白你的意思；我的 csv 文件中的字符串值缺少引号。
col_types 不适用于我的数据；我有太多列（其中一些包含数值，其他包含字符串值），无法为每个列指定列类型。
如果是空格分隔的文件引号可能很重要，但它们对于 CSV 没有任何意义，所以我不确定你的意思。 col_types 可用于cols 中的单个列名称；对于您未指定的人，它将默认为 col_guess()。

标签： r string import readr

【解决方案1】：

此函数使用 dplyr 将 tbl_df 或数据框中的所有字符列转换为因子：

char.to.factors <- function(df){
  # This function takes a tbl_df and returns same with any character column converted to a factor

  require(dplyr)

  char.cols = names(df)[sapply(df, function(x) {class(x) == "character" })]
  tmp = mutate_each_(df, funs(as.factor), char.cols)
  return(tmp)
}

【讨论】：

或者只是df %>% mutate_if(is.character, factor)
看起来这是 dplyr 0.5.0 中的新增功能，很好地简化了这一点。
mutate_if 效果很好！虽然数据框很大时速度很慢。

【解决方案2】：

我喜欢上面 cmets 中 alistaire 的 mutate_if() 解决方案，但为了完整起见，还有另一个解决方案应该提到。您可以使用 unclass() 强制重新解析。你会在很多使用 readr 的代码中看到这一点。

df <- data.frame(unclass(fr))

或

df <- df %>% unclass %>% data.frame

【讨论】：