95

この醜いフォーマットのデータセットをRセッションにロードしようとしています： 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

これまでのところ、私は次の行を読むことができます

  x = readLines(path)

しかし、ファイルには「空白」と「-」が区切り文字として混在しており、私は正規表現の専門家ではありません。これをすてきでクリーンなRデータフレームに変換するための助けに感謝します。ありがとう！

4

6 に答える 6

189

これは固定幅のファイルです。それを読むために使用read.fwf()します：

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

アップデート

このパッケージreadr（2015年4月にリリース）は、シンプルで高速な代替手段を提供します。

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)))

速度の比較： readr::read_fwf()よりも約2倍速かっutils::read.fwf ()た。

于 2013-01-17T16:45:20.467 に答える
56

幅を決定する別の方法...

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
)

widths引数の-1は、無視する必要のある1文字の列があることを示し、widths引数の-5は、同様に、無視する必要のある5文字の列があることを示します。

参照：https ：//www.inkling.com/read/r-cookbook-paul-teetor-1st/chapter-4/recipe-4-6

于 2014-06-12T21:42:00.613 に答える
20

まず、その質問は、LeeksによるCourseraの「GetDataandCleanIt」コースから直接出されたものです。質問の別の部分がありますが、難しい部分はファイルを読み取ることです。

とはいえ、このコースは主に学習を目的としています。

私はRの固定幅の手順が嫌いです。それは遅く、変数の数が多い場合、特定の列などを否定することは非常にすぐに苦痛になります。

readLines()使いやすく、それからsubstr()変数を作成するのが簡単だと思います

x <- 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
                     )
于 2014-10-17T18:35:40.310 に答える
13

read_fwf()これで、HadleyWickhamのreadrパッケージの関数を使用できます。

ベースと比較して、大幅なパフォーマンスの向上が期待されますread.fwf()。

于 2015-04-10T10:20:15.277 に答える
5

ここでは、Rで固定幅ファイルを読み取るための代替案のリストと、最速のベンチマークをいくつか提供します。

fread私の好ましいアプローチは、stringi;と組み合わせることです。最速のアプローチとして競争力があり、データを次のように保存するという追加の利点（IMO）があります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 = 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

fread先頭と末尾の空白を自動的に削除することに注意してください。これは望ましくない場合があり、その場合はを設定しstrip.white = FALSEます。

次のようにして、列幅のベクトルから始めることもできますww。

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)

そして、次のような負のインデックスを使用して、より確実に除外する列を選択することもできます。

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))

col_ends$beg[ii]次に、とabs(col_ends$beg[ii])を次の行に置き換えます。

paste0("V", which(col_ends$beg < 0))

最後に、列名をプログラムで読み取る場合は、次のコマンドでクリーンアップできます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 != ""]

（このステップをと組み合わせるとfread、ヘッダー行を削除するためにテーブルのコピーを作成する必要があり、したがって、大規模なデータセットには非効率的であることに注意してください）

于 2016-03-31T14:34:18.133 に答える
4

Rについてはわかりませんが、そのような行に一致する正規表現を提供できます。

\s[0-9]{2}[A-Z]{3}[0-9]{4}(\s{5}[0-9]+\.[0-9]+[ -][0-9]+\.[0-9]+){4}
于 2013-01-17T16:43:11.317 に答える