【R】資料匯入讀取read.table函數詳解，如何讀取不規則的資料（fill=T）

函數 read.table 是讀取矩形格子狀資料最為便利的方式。因為實際可能遇到的情況比較多，所以預設了一些函數。這些函數調用了 read.table 但改變了它的一些預設參數。

注意，read.table 不是一種有效地讀大數值矩陣的方法：見下面的 scan 函數。

一些需要考慮到問題是：

1. 編碼問題

   如果檔案中包含非-ASCII字元欄位，要確保以正確的編碼方式讀取。這是在UTF-8的本地系統裡面讀取Latin-1檔案的一個主要問題。此時，可以如下處理

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

   注意，這在任何可以呈現Latin-1名字的本地系統裡面運行。

2. 首行問題

   我們建議你明確地設定 header 參數。按照慣例，首行只有對應列的欄位而沒有列標籤對應的欄位。因此，它會比餘下的行少一個欄位。（如果需要在 R 裡面看到這一行，設定 header = TRUE。）如果要讀取的檔案裡面有列標籤的頭欄位（可能是空的），以下面的方式讀取

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

   列名字可以通過 col.names 顯式地設定；顯式設定的名字會替換首行裡面的列名字（如果存在的話）。

3. 分隔字元問題

   通常，開啟檔案看一下就可以確定檔案所使用的欄位分隔符號，但對於空白分割的檔案，可以選擇預設的sep = "" （它能使用任何空白符作為分隔字元，比如空格，定位字元，分行符號）， sep = " " 或者 sep = "\t"。注意，分隔字元的選擇會影響輸入的被引用的字串。

   如果你有含有空欄位的定位字元分割的檔案，一定要使用 sep = "\t"。

4. 引用 預設情況下，字串可以被 " 或 ' 括起，並且兩種情況下，引號內部的字元都作為字串的一部分。有效引用字元（可能沒有）的設定由參數 quote 控制。對於sep = "\n"，預設值改為 quote = ""。

   如果沒有設定分隔字元，在被引號括起的字串裡面，引號需要用 C格式的逃逸方式逃逸，即在引號前面直接加反斜線 \。

   如果設定了分隔字元，在被引號括起的字串裡面，按照試算表的習慣，把引號重複兩次以達到逃逸的效果。例如

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

   可以被下面的命令讀取

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

   這在預設分隔符號的檔案裡面不起作用。

5. 缺損值 預設情況下，檔案是假定用 NA 表示缺損值，但是，這可以通過參數 na.strings 改變。參數 na.strings 是一個可以包括一個或多個缺損值得字元描述方式的向量。

   數值列的空欄位也被看作是缺損值。

   在數值列，值 NaN，Inf 和 -Inf 都可以被接受的。

6. 尾部空欄位省略的行

   從一個試算表中匯出的檔案通常會把拖尾的空欄位（包括?塹姆指舴? 忽略掉。為了讀取這樣的檔案，必須設定參數 fill = TRUE。

7. 字元欄位中的空白

   如果設定了分隔字元，字元欄位起始和收尾處的空白會作為欄位一部分看待的。為了去掉這些空白，可以使用參數 strip.white = TRUE。

8. 空白行

   預設情況下，read.table 忽略空白行。這可以通過設定 blank.lines.skip = FALSE 來改變。但這個參數只有在和 fill = TRUE 共同使用時才有效。這時，可能是用空白行表明規則資料中的缺損樣本。

9. 變數的類型

   除非你採取特別的行動，read.table 將會為資料框的每個變數選擇一個合適的類型。如果欄位沒有缺損以及不能直接轉換，它會按 logical， integer， numeric 和 complex 的順序依次判斷欄位類型。如果所有這些類型都失敗了，變數會轉變成因子。

   參數 colClasses 和 as.is 提供了很大的控制權。 as.is 會 抑制字元向量轉換成因子（僅僅這個功能）。 colClasses運行為輸入中的每個列設定需要的類型。

   注意，colClasses 和 as.is 對每 列專用，而不是每個變數。因此，它對列標籤列也同樣適用（如果有的話）。

10. 注釋

    預設情況下，read.table 用 # 作為注釋標識字元。如果碰到該字元（除了在被引用的字串內），該行中隨後的內容將會被忽略。只含有空白和注釋的行被當作空白行。

    如果確認資料檔案中沒有注釋內容，用 comment.char = "" 會比較安全 （也可能讓速度比較快）。

11. 逃逸

    許多作業系統有在文字檔中用反斜線作為逃逸標識字元的習慣，但是Windows系統是個例外（在路徑名中使用反斜線）。在 R 裡面，使用者可以自行設定這種習慣是否用於資料檔案。

    read.table 和 scan 都有一個邏輯參數 allowEscapes。從 R 2.2.0 開始，該參數預設為否，而且反斜線是唯一被解釋為逃逸引用符的字元（在前面描述的環境中）。如果該參數設為是，以C形式的逃逸規則解釋，也就是控制符如 \a, \b, \f, \n, \r, \t, \v，八進位和十六進位如 \040 和 \0x2A 一樣描述。任何其它逃逸字元都看著是自己，包括反斜線。

常用函數 read.csv 和 read.delim 為 read.table 設定參數以符合英語語系本地系統中試算表匯出的CSV和定位字元分割的檔案。這兩個函數對應的變種 read.csv2 和 read.delim2 是針對在逗號作為小數點的國家使用時設計的。

如果 read.table 的可選項設定不正確，錯誤資訊通常以下面的形式顯示

     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

這些資訊可能足以找到問題所在，但是輔助函數 count.fields 可以進一步的深入研究問題所在。

讀大的資料格子（data grid）時，效率最重要。設定 comment.char = ""，以原子向量類型（邏輯型，整型，數值型，複數型，字元型或原味型）設定每列的 colClasses ，給定需要讀入的行數 nrows （適當地高估一點比不設定這個參數好）等措施會提高效率。