I dokumentuje here listę alternatyw dla odczytywania plików o stałej szerokości w R, a także zapewnia niektóre punkty odniesienia, dla których jest najszybszy.
Moje preferowane podejście polega na połączeniu fread
z stringi
; jest konkurencyjny jak najszybszym podejściem i ma dodatkową zaletę (IMO) przechowywania danych jako data.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 = "\n"
)[, lapply(1:(length(col_ends$beg)),
function(ii)
stri_sub(V1, col_ends$beg[ii], col_ends$end[ii]))
][ , paste0("V", c(2, 5, 8, 11)) := NULL]
# V1 V3 V4 V6 V7 V9 V10 V12 V13
# 1: 03JAN1990 23.4 -0.4 25.1 -0.3 26.6 0.0 28.6 0.3
# 2: 10JAN1990 23.4 -0.8 25.2 -0.3 26.6 0.1 28.6 0.3
# 3: 17JAN1990 24.2 -0.3 25.3 -0.3 26.5 -0.1 28.6 0.3
# 4: 24JAN1990 24.4 -0.5 25.5 -0.4 26.5 -0.1 28.4 0.2
# 5: 31JAN1990 25.1 -0.2 25.8 -0.2 26.7 0.1 28.4 0.2
# ---
# 1365: 24FEB2016 27.1 0.9 28.4 1.8 29.0 2.1 29.5 1.4
# 1366: 02MAR2016 27.3 1.0 28.6 1.8 28.9 1.9 29.5 1.4
# 1367: 09MAR2016 27.7 1.2 28.6 1.6 28.9 1.8 29.6 1.5
# 1368: 16MAR2016 27.5 1.0 28.8 1.7 28.9 1.7 29.6 1.4
# 1369: 23MAR2016 27.2 0.9 28.6 1.4 28.8 1.5 29.5 1.2
Zauważ, że fread
automatycznie Paski początkowe i końcowe spacje - czasami jest to niepożądane, w takim przypadku ustaw strip.white = FALSE
.
Pamiętaj też, że wybrałem opcję sep = "\n"
, aby zapobiec podziałowi wewnątrz linii. Jeśli zostanie zaimplementowane this issue, będziemy mieli bardziej niezawodną alternatywę.
Mogliśmy również zaczęli wektorem szerokości kolumn ww
wykonując:
ww <- c(9, 5, 4, 4, 5, 4, 4, 5, 4, 4, 5, 4, 4)
nd <- cumsum(ww)
col_ends <-
list(beg = c(1, nd[-length(nd)]+1L),
end = nd)
I moglibyśmy wybrali które kolumny aby wykluczyć bardziej wydajnie przy użyciu negatywne wskaźniki jak:
col_ends <-
list(beg = c(1, -10, 15, 19, -23, 28, 32, -36,
41, 45, -49, 54, 58),
end = c(9, 14, 18, 22, 27, 31, 35,
40, 44, 48, 53, 57, 61))
Następnie należy wymienić col_ends$beg[ii]
na abs(col_ends$beg[ii])
iw kolejna linia:
paste0("V", which(col_ends$beg < 0))
Wreszcie, jeśli chcesz, aby nazwy kolumn należy czytać programowo jak dobrze, można oczyścić z 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 != ""]
(zauważ, że łącząc ten krok z fread
wymagałoby utworzenia kopii tabeli w celu usunięcia wiersza nagłówka, a zatem byłoby nieefektywne w przypadku dużych zestawów danych)
I spójrz na 'read.fwf', aby przeczytać read fix ed formatowane dane. –
Myślę, że lepiej przetwarzać każdy wiersz. Łączy "-" z "" znakami. – Fernando
Można też powiedzieć, że białe znaki lub - to tylko jeden znak, więc najpierw zamień wszystkie wielokrotne wystąpienia spacji na znak tabulacji, a następnie podziel wszystkie wejścia oddzielone tabulatorami - lub białe znaki. – GitaarLAB