【R】数据导入读取read.table函数详解，如何读取不规则的数据（fill=T）

函数 read.table 是读取矩形格子状数据最为便利的方式。因为实际可能遇到的情况比较多，所以预设了一些函数。这些函数调用了 read.table 但改变了它的一些默认参数。 

注意，read.table 不是一种有效地读大数值矩阵的方法：见下面的 scan 函数。

一些需要考虑到问题是：

1. 编码问题

   如果文件中包含非-ASCII字符字段，要确保以正确的编码方式读取。这是在UTF-8的本地系统里面读取Latin-1文件的一个主要问题。此时，可以如下处理

             read.table(file("file.dat", encoding="latin1"))
        

   注意，这在任何可以呈现Latin-1名字的本地系统里面运行。

2. 首行问题

   我们建议你明确地设定 header 参数。按照惯例，首行只有对应列的字段而没有行标签对应的字段。因此，它会比余下的行少一个字段。（如果需要在 R 里面看到这一行，设置 header = TRUE。）如果要读取的文件里面有行标签的头字段（可能是空的），以下面的方式读取

             read.table("file.dat", header = TRUE, row.names = 1)
        

   列名字可以通过 col.names 显式地设定；显式设定的名字会替换首行里面的列名字（如果存在的话）。

3. 分隔符问题

   通常，打开文件看一下就可以确定文件所使用的字段分隔符，但对于空白分割的文件，可以选择默认的sep = "" （它能使用任何空白符作为分隔符，比如空格，制表符，换行符）， sep = " " 或者 sep = "\t"。注意，分隔符的选择会影响输入的被引用的字符串。

   如果你有含有空字段的制表符分割的文件，一定要使用 sep = "\t"。

4. 引用 默认情况下，字符串可以被 " 或 ' 括起，并且两种情况下，引号内部的字符都作为字符串的一部分。有效的引用字符（可能没有）的设置由参数 quote 控制。对于sep = "\n"，默认值改为 quote = ""。 

   如果没有设定分隔字符，在被引号括起的字符串里面，引号需要用 C格式的逃逸方式逃逸，即在引号前面直接加反斜杠 \。

   如果设定了分隔符，在被引号括起的字符串里面，按照电子表格的习惯，把引号重复两次以达到逃逸的效果。例如

             'One string isn''t two',"one more"
        

   可以被下面的命令读取

             read.table("testfile", sep = ",")
        

   这在默认分隔符的文件里面不起作用。

5. 缺损值 默认情况下，文件是假定用 NA 表示缺损值，但是，这可以通过参数 na.strings 改变。参数 na.strings 是一个可以包括一个或多个缺损值得字符描述方式的向量。 

   数值列的空字段也被看作是缺损值。

   在数值列，值 NaN，Inf 和 -Inf 都可以被接受的。

6. 尾部空字段省略的行

   从一个电子表格中导出的文件通常会把拖尾的空字段（包括?堑姆指舴? 忽略掉。为了读取这样的文件，必须设置参数 fill = TRUE。

7. 字符字段中的空白

   如果设定了分隔符，字符字段起始和收尾处的空白会作为字段一部分看待的。为了去掉这些空白，可以使用参数 strip.white = TRUE。

8. 空白行

   默认情况下，read.table 忽略空白行。这可以通过设置 blank.lines.skip = FALSE 来改变。但这个参数只有在和 fill = TRUE 共同使用时才有效。这时，可能是用空白行表明规则数据中的缺损样本。

9. 变量的类型

   除非你采取特别的行动，read.table 将会为数据框的每个变量选择一个合适的类型。如果字段没有缺损以及不能直接转换，它会按 logical， integer， numeric 和 complex 的顺序依次判断字段类型。如果所有这些类型都失败了，变量会转变成因子。

   参数 colClasses 和 as.is 提供了很大的控制权。 as.is 会 抑制字符向量转换成因子（仅仅这个功能）。 colClasses运行为输入中的每个列设置需要的类型。

   注意，colClasses 和 as.is 对每 列专用，而不是每个变量。因此，它对行标签列也同样适用（如果有的话）。

10. 注释

    默认情况下，read.table 用 # 作为注释标识字符。如果碰到该字符（除了在被引用的字符串内），该行中随后的内容将会被忽略。只含有空白和注释的行被当作空白行。

    如果确认数据文件中没有注释内容，用 comment.char = "" 会比较安全 （也可能让速度比较快）。

11. 逃逸

    许多操作系统有在文本文件中用反斜杠作为逃逸标识字符的习惯，但是Windows系统是个例外（在路径名中使用反斜杠）。在 R 里面，用户可以自行设定这种习惯是否用于数据文件。

    read.table 和 scan 都有一个逻辑参数 allowEscapes。从 R 2.2.0 开始，该参数默认为否，而且反斜杠是唯一被解释为逃逸引用符的字符（在前面描述的环境中）。如果该参数设为是，以C形式的逃逸规则解释，也就是控制符如 \a, \b, \f, \n, \r, \t, \v，八进制和十六进制如 \040 和 \0x2A 一样描述。任何其它逃逸字符都看着是自己，包括反斜杠。

常用函数 read.csv 和 read.delim 为 read.table 设定参数以符合英语语系本地系统中电子表格导出的CSV和制表符分割的文件。这两个函数对应的变种 read.csv2 和 read.delim2 是针对在逗号作为小数点的国家使用时设计的。

如果 read.table 的可选项设置不正确，错误信息通常以下面的形式显示

     Error in scan(file = file, what = what, sep = sep, :
             line 1 did not have 5 elements

或者

     Error in read.table("files.dat", header = TRUE) :
             more columns than column names

这些信息可能足以找到问题所在，但是辅助函数 count.fields 可以进一步的深入研究问题所在。

读大的数据格子（data grid）时，效率最重要。设定 comment.char = ""，以原子向量类型（逻辑型，整型，数值型，复数型，字符型或原味型）设置每列的 colClasses ，给定需要读入的行数 nrows （适当地高估一点比不设置这个参数好）等措施会提高效率。