Read.CSV 在 R 中无法按预期工作

Question

我被难住了。通常，read.csv 按预期工作，但我遇到了一个行为出乎意料的问题。这很可能是我的用户错误，但我们将不胜感激。

这是文件的网址

http://nces.ed.gov/ipeds/datacenter/data/SFA0910.zip

这是我获取文件、解压缩并读入的代码：

 URL <- "http://nces.ed.gov/ipeds/datacenter/data/SFA0910.zip"
 download.file(URL, destfile="temp.zip")
 unzip("temp.zip")
 tmp <- read.table("sfa0910.csv", 
                   header=T, stringsAsFactors=F, sep=",", row.names=NULL)

这是我的问题。当我在 Excel 中打开数据 csv 数据时，数据看起来符合预期。当我将数据读入 R 时，第一列实际上命名为 row.names。 R 正在读取一行额外的数据，但我无法弄清楚导致 row.names 成为一列的“错误”发生在哪里。简单地说，它看起来像数据转移了。

然而，奇怪的是，R 中的最后一列似乎包含正确的数据。

以下是前几列中的几行：

tmp[1:5,1:7]
  row.names UNITID XSCUGRAD SCUGRAD XSCUGFFN SCUGFFN XSCUGFFP
1    100654      R     4496       R     1044       R       23
2    100663      R    10646       R     1496       R       14
3    100690      R      380       R        5       R        1
4    100706      R     6119       R      774       R       13
5    100724      R     4638       R     1209       R       26

有什么想法我可能做错了吗？

Answer 1

如果您使用本地数据，还要确保它位于正确的位置。确保将其放在您的工作目录中并通过以下方式更改它 setwd("C:/[User]/[MyFolder]") 直接在您的 R 控制台中。

Answer 2

我知道你找到了答案，但由于你的回答帮助我找到了答案，我将分享：

如果你读入 R 文件，其中不同行的列数不同，如下所示：

1,2,3,4,5
1,2,3,4
1,2,3

它将用 NA 填充缺失的列，如下所示：

1,2,3,4,5
1,2,3,4,NA
1,2,3,NA,NA

但是！ 如果列最大的行不是第一行，像这样：

1,2,3,4
1,2,3,4,5
1,2,3

那么它会以一种有点混乱的方式阅读：

1,2,3,4
1,2,3,4
5,NA,NA,NA
1,2,3,NA

（在你发现问题之前不知所措，之后非常简单！）

只是希望它可以帮助某人！

Answer 3

我有一个可能基于 mnel 的 cmets 的修复

dat<-readLines(paste("sfa", '0910', ".csv", sep=""))
ncommas<-sapply(seq_along(dat),function(x){sum(attributes(gregexpr(',',dat[x])[[1]])$match.length)})
> head(ncommas)
[1] 450 451 451 451 451 451

第一列之后的所有列都有一个额外的分隔符，excel会忽略。

for(i in seq_along(dat)[-1]){
dat[i]<-gsub('(.*),','\\1',dat[i])
}
write(dat,'temp.csv')

tmp<-read.table('temp.csv',header=T, stringsAsFactors=F, sep=",")

> tmp[1:5,1:7]
  UNITID XSCUGRAD SCUGRAD XSCUGFFN SCUGFFN XSCUGFFP SCUGFFP
1 100654        R    4496        R    1044        R      23
2 100663        R   10646        R    1496        R      14
3 100690        R     380        R       5        R       1
4 100706        R    6119        R     774        R      13
5 100724        R    4638        R    1209        R      26

故事的寓意....听 Joshua Ulrich ;)

快速修复。在excel中打开文件并保存。这也会删除多余的分隔符。

或者

dat<-readLines(paste("sfa", '0910', ".csv", sep=""),n=1)
dum.names<-unlist(strsplit(dat,','))
tmp <- read.table(paste("sfa", '0910', ".csv", sep=""), 
                   header=F, stringsAsFactors=F,col.names=c(dum.names,'XXXX'),sep=",",skip=1)
tmp1<-tmp[,-dim(tmp)[2]]

Answer 4

我的提示：使用 count.fields() 作为分隔文件未按预期运行时的快速诊断。

首先，使用table()统计字段数：

table(count.fields("sfa0910.csv", sep = ","))
# 451  452 
#   1 6852

这告诉您，除了一行之外，所有行都包含 452 个字段。那么哪条是异常线呢？

which(count.fields("sfa0910.csv", sep = ",") != 452)
# [1] 1

第一行是问题所在。检查时，除第一行之外的所有行都以 2 个逗号结尾。

现在的问题是：这是什么意思？标题行中是否应该有一个额外的字段被省略？还是附加到其他行的 2 个逗号有误？如果可能，最好联系生成数据的人，以澄清歧义。