使用read.table或readLines的条件输入

Question

我正在努力使用readLines()和read.Table()在R中获得格式正确的数据框。

我想阅读像this这样的曲棍球统计数据。我想获得一个格式很好的数据框，但是，指定要读取的具体行数是很困难的，因为在this之类的其他文件中，玩家的数量是不同的。另外，不应该读入以#.AC，#.HC等签名的非玩家。

我试过这样的事情

LINES <- 19  
stats <- read.table(file=Datei, skip=11, header=FALSE, stringsAsFactors=FALSE,
                  encoding="UTF-8", nrows=LINES)

但如上所述，LINES的值每次都不同。

我也在this帖子中尝试了readLines，但没有运气。

有没有办法在read.table中集成一个条件，比如（伪代码）

if (first character == "AC") {
    break read.table
  }

很抱歉，如果这看起来很奇怪，我在编写脚本或编码方面没有太多经验。

非常感谢任何帮助，非常感谢！

格尔茨！

Answer 1

您的数据显示了一些应该按顺序处理的困难，这意味着您不应该尝试使用一个命令读取整个文件：

读取普通线并找到开始和停止行

根据您在我的建议中阅读的文件的规格，首先要找到您真正想要通过任何指标读取的第一行。所以这可以是一个单独的数字，它总是相同的，或者在我的例子中行“TEAM STATS”之后的两行。只需查找起始行后仅包含空格的第一行，就可以再次找到最后一行：

lines <- readLines( Datei )
start <- which(lines == "TEAM STATS") + 2
end   <- start + min( grep( "^\\s+$", lines[ start:length(lines) ] ) ) -2
lines <- lines[start:end]

将数据读取到data.frame

在你的情况下，你会遇到一些并发症：

• 您的标题行以#开头，默认情况下会将其识别为注释字符，忽略该行。但即使您关闭此行为（comment.char = ""），它也不是有效的列名。
• 如果我们告诉read.table按空格分割列，最后在数据中会有一列，而不是在标题中，因为Player列在单元格中包含空格。因此，目前最好只是忽略标题行，让read.table使用它的默认行为（comment.char = "#"）执行此操作。此外，我们将PLAYER列拆分为两个，稍后将对其进行修复。
• 您将无法将第一列用作row.names，因为它们不是唯一的。
• 行的长度不等，因为POS列并未到处填充。

tab <- read.table( text = lines[ start:end ], fill = TRUE, stringsAsFactors=FALSE )
# fix the PLAYER column
tab$V2 <-  paste( tab$V2, tab$V3 )
tab <- tab[-3]

修复标题

只需将起始行拆分为多个空格，然后使用有效的列名重置第一个条目（#）：

colns <- strsplit( lines[start], "\\s+" )[[1]]
colns[1] <- "code"
colnames(tab) <- colns

修复案例“POS”为空

这是通过查找最后一个单元格包含NA s的行并将它们向右移动一个单元格来完成的：

colsToFix <- which( is.na(tab[, "SHO%"]) )
tab[ colsToFix, 4:ncol(tab) ] <- tab[ colsToFix, 3:(ncol(tab)-1) ]
tab[ colsToFix, 3  ] <- NA

> str(tab)
'data.frame':   25 obs. of  20 variables:
 $ code  : chr  "93" "91" "61" "88" ...
 $ PLAYER: chr  "Eichelkraut, Flori" "Müller, Lars" "Alt, Sebastian" "Gross, Arthur" ...
 $ POS   : chr  "F" "F" "D" "F" ...
 $ GP    : chr  "8" "6" "7" "8" ...
 $ G     : int  10 1 4 3 4 2 0 2 1 0 ...
 $ A     : int  5 11 5 5 3 4 6 3 3 4 ...
 $ PTS   : int  15 12 9 8 7 6 6 5 4 4 ...
 $ PIM   : int  12 10 12 6 2 36 37 29 6 0 ...
 $ PPG   : int  3 0 1 1 1 1 0 0 1 0 ...
 $ PPA   : int  1 5 2 2 1 2 4 2 1 1 ...
 $ SHG   : int  0 1 0 1 1 0 0 0 0 0 ...
 $ SHA   : int  0 0 1 0 1 0 0 1 0 0 ...
 $ GWG   : int  2 0 1 0 0 0 0 0 0 0 ...
 $ FG    : int  1 0 1 1 1 0 0 0 0 0 ...
 $ OTG   : int  0 0 0 0 0 0 0 0 0 0 ...
 $ UAG   : int  1 0 1 0 0 0 0 0 0 0 ...
 $ ENG   : int  0 0 0 0 0 0 0 0 0 0 ...
 $ SHOG  : int  0 0 0 0 0 0 0 0 0 0 ...
 $ SHOA  : num  0 0 0 0 0 0 0 0 0 0 ...
 $ SHO%  : num  0 0 0 0 0 0 0 0 0 0 ...