Próbuję załadować ten brzydko sformatowany zestaw danych do mojej sesji R: http://www.cpc.ncep.noaa.gov/data/indices/wksst8110.for
Weekly SST data starts week centered on 3Jan1990
Nino1+2 Nino3 Nino34 Nino4
Week SST SSTA SST SSTA SST SSTA SST SSTA
03JAN1990 23.4-0.4 25.1-0.3 26.6 0.0 28.6 0.3
10JAN1990 23.4-0.8 25.2-0.3 26.6 0.1 28.6 0.3
17JAN1990 24.2-0.3 25.3-0.3 26.5-0.1 28.6 0.3
Do tej pory mogę czytać wiersze za pomocą
x = readLines(path)
Ale plik miesza „białe spacje” z „-” jako separatory, a ja nie jestem ekspertem w zakresie wyrażeń regularnych. Doceniam każdą pomoc dotyczącą przekształcenia tego w ładną i czystą ramkę danych R. dzięki!
r
fixed-width
Fernando
źródło
źródło
read.fwf
aby przeczytać sformatowane dane o stałej szerokości.Odpowiedzi:
To jest plik o stałej szerokości. Użyj,
read.fwf()
aby to przeczytać:x <- read.fwf( file=url("http://www.cpc.ncep.noaa.gov/data/indices/wksst8110.for"), skip=4, widths=c(12, 7, 4, 9, 4, 9, 4, 9, 4)) head(x) V1 V2 V3 V4 V5 V6 V7 V8 V9 1 03JAN1990 23.4 -0.4 25.1 -0.3 26.6 0.0 28.6 0.3 2 10JAN1990 23.4 -0.8 25.2 -0.3 26.6 0.1 28.6 0.3 3 17JAN1990 24.2 -0.3 25.3 -0.3 26.5 -0.1 28.6 0.3 4 24JAN1990 24.4 -0.5 25.5 -0.4 26.5 -0.1 28.4 0.2 5 31JAN1990 25.1 -0.2 25.8 -0.2 26.7 0.1 28.4 0.2 6 07FEB1990 25.8 0.2 26.1 -0.1 26.8 0.1 28.4 0.3
Aktualizacja
Pakiet
readr
(wydany w kwietniu 2015 r.) Stanowi prostą i szybką alternatywę.library(readr) x <- read_fwf( file="http://www.cpc.ncep.noaa.gov/data/indices/wksst8110.for", skip=4, fwf_widths(c(12, 7, 4, 9, 4, 9, 4, 9, 4)))
Porównanie prędkości:
readr::read_fwf()
było ~ 2x szybsze niżutils::read.fwf ()
.źródło
readr::fwf_empty
że spróbuje odgadnąć dla Ciebie szerokości. Przykłady dlareadr::read_fwf
pokazują użycie dlareadr::fwf_empty
.Inny sposób określania szerokości ...
df <- read.fwf( file=url("http://www.cpc.ncep.noaa.gov/data/indices/wksst8110.for"), widths=c(-1, 9, -5, 4, 4, -5, 4, 4, -5, 4, 4, -5, 4, 4), skip=4 )
Wartość -1 w argumencie szerokości mówi, że istnieje jednoznakowa kolumna, którą należy zignorować, a -5 w argumencie szerokości mówi, że istnieje kolumna pięcioznakowa, którą należy zignorować, podobnie ...
ref: https://www.inkling.com/read/r-cookbook-paul-teetor-1st/chapter-4/recipe-4-6
źródło
Po pierwsze, to pytanie pochodzi bezpośrednio z kursu Coursera „Pobierz dane i wyczyść to” firmy Leeks. Chociaż istnieje inna część pytania, najtrudniejsza część polega na odczytaniu pliku.
To powiedziawszy, kurs jest głównie przeznaczony do nauki.
Nienawidzę procedury stałej szerokości R. Jest powolny i dla dużej liczby zmiennych bardzo szybko staje się trudny do zanegowania niektórych kolumn itp.
Myślę, że jest łatwiejszy w użyciu,
readLines()
a następnie z tego użyciasubstr()
do tworzenia zmiennychx <- readLines(con=url("http://www.cpc.ncep.noaa.gov/data/indices/wksst8110.for")) # Skip 4 lines x <- x[-(1:4)] mydata <- data.frame(var1 = substr(x, 1, 10), var2 = substr(x, 16, 19), var3 = substr(x, 20, 23), var4 = substr(x, 29, 32) # and so on and so on )
źródło
mydata <- data.frame(var4 = substr(x,29,32))
, jakbyś potrzebował tylko czwartej kolumny danych. Ponadto dla użytkowników systemu Windows Notepad ++ z wtyczką TextFX zapewni prostą i prostą, liczoną linijkę znaków, dzięki czemu możesz dowiedzieć się, co wpisać w wartości początkowe i końcowesubstr
. Zwróć jednak uwagę, że wartość stop jest o jeden więcej niż pozycja ostatniego znaku, który chcesz zachować.Możesz teraz użyć
read_fwf()
funkcji wreadr
pakiecie Hadley Wickham .Należy spodziewać się ogromnej poprawy wydajności w porównaniu do bazy
read.fwf()
.źródło
Dokumentuję tutaj listę alternatyw dla odczytu plików o stałej szerokości w R, a także podam kilka testów porównawczych, dla których jest najszybszy.
Moje preferowane podejście to połączenie
fread
zstringi
; jest konkurencyjny jako najszybsze podejście i ma dodatkową zaletę (IMO) przechowywania danych jakodata.table
:library(data.table) library(stringi) col_ends <- list(beg = c(1, 10, 15, 19, 23, 28, 32, 36, 41, 45, 49, 54, 58), end = c(9, 14, 18, 22, 27, 31, 35, 40, 44, 48, 53, 57, 61)) data = fread( "http://www.cpc.ncep.noaa.gov/data/indices/wksst8110.for", header = FALSE, skip = 4L, sep = NULL )[, lapply(1:(length(col_ends$beg)), function(ii) stri_sub(V1, col_ends$beg[ii], col_ends$end[ii])) ][ , paste0("V", c(2, 5, 8, 11)) := NULL] # V1 V3 V4 V6 V7 V9 V10 V12 V13 # 1: 03JAN1990 23.4 -0.4 25.1 -0.3 26.6 0.0 28.6 0.3 # 2: 10JAN1990 23.4 -0.8 25.2 -0.3 26.6 0.1 28.6 0.3 # 3: 17JAN1990 24.2 -0.3 25.3 -0.3 26.5 -0.1 28.6 0.3 # 4: 24JAN1990 24.4 -0.5 25.5 -0.4 26.5 -0.1 28.4 0.2 # 5: 31JAN1990 25.1 -0.2 25.8 -0.2 26.7 0.1 28.4 0.2 # --- # 1365: 24FEB2016 27.1 0.9 28.4 1.8 29.0 2.1 29.5 1.4 # 1366: 02MAR2016 27.3 1.0 28.6 1.8 28.9 1.9 29.5 1.4 # 1367: 09MAR2016 27.7 1.2 28.6 1.6 28.9 1.8 29.6 1.5 # 1368: 16MAR2016 27.5 1.0 28.8 1.7 28.9 1.7 29.6 1.4 # 1369: 23MAR2016 27.2 0.9 28.6 1.4 28.8 1.5 29.5 1.2
Zwróć uwagę, że
fread
automatycznie usuwa początkowe i końcowe spacje - czasami jest to niepożądane, w takim przypadku ustawionestrip.white = FALSE
.Mogliśmy również zacząć od wektora szerokości kolumn
ww
, wykonując:ww <- c(9, 5, 4, 4, 5, 4, 4, 5, 4, 4, 5, 4, 4) nd <- cumsum(ww) col_ends <- list(beg = c(1, nd[-length(nd)]+1L), end = nd)
Mogliśmy wybrać, które kolumny wykluczyć bardziej solidnie, używając ujemnych indeksów, takich jak:
col_ends <- list(beg = c(1, -10, 15, 19, -23, 28, 32, -36, 41, 45, -49, 54, 58), end = c(9, 14, 18, 22, 27, 31, 35, 40, 44, 48, 53, 57, 61))
Następnie wymień
col_ends$beg[ii]
zeabs(col_ends$beg[ii])
w następnym wierszu:paste0("V", which(col_ends$beg < 0))
Na koniec, jeśli chcesz, aby nazwy kolumn były również odczytywane programowo, możesz wyczyścić za pomocą
readLines
:cols <- gsub("\\s", "", sapply(1:(length(col_ends$beg)), function(ii) stri_sub(readLines(URL, n = 4L)[4L], col_ends$beg[ii]+1L, col_ends$end[ii]+1L))) cols <- cols[cols != ""]
(zwróć uwagę, że połączenie tego kroku z
fread
wymagałoby utworzenia kopii tabeli w celu usunięcia wiersza nagłówka, a zatem byłoby nieefektywne w przypadku dużych zestawów danych)źródło
Nie wiem nic o R, ale mogę podać wyrażenie regularne, które będzie pasowało do takich wierszy:
\s[0-9]{2}[A-Z]{3}[0-9]{4}(\s{5}[0-9]+\.[0-9]+[ -][0-9]+\.[0-9]+){4}
źródło