Question

我有一个非常大的csv文件，它具有以下结构

123, NAME1, EMAIL1@ADDRESS.COM
111, NAME2, EMAIL2@ADRESS.ME

问题是有些名字有逗号，比如

699, FIRST M. LAST, Jr., EMAIL4@ADDRESS.GOV

有没有办法解决这个问题？原始的csv有80k条目，所以不可能手工完成。

谢谢！

Answer 1

通过两个步骤，您可以执行此操作，例如：

## read using `fill=TRUE`
dat <- read.table(text='
123, NAME1, EMAIL1@ADDRESS.COM
111, NAME2, EMAIL2@ADRESS.ME
699, FIRST M. LAST, Jr., EMAIL4@ADDRESS.GOV',sep=',',
                  fill=TRUE,
                  header=FALSE,stringsAsFactors=FALSE)
## concatenate names when they contain a comma
dat$V3 <- ifelse(nchar(dat$V4)>0,paste(dat$V3,dat$V4,sep=','),dat$V3)
dat[,-4]
   V1             V2                       V3
1 123          NAME1       EMAIL1@ADDRESS.COM
2 111          NAME2         EMAIL2@ADRESS.ME
3 699  FIRST M. LAST  Jr., EMAIL4@ADDRESS.GOV

Answer 2

这是使用正则表达式的R解决方案：

file <- textConnection("123, NAME1, EMAIL1@ADDRESS.COM
111, NAME2, EMAIL2@ADRESS.ME
699, FIRST M. LAST, Jr., EMAIL4@ADDRESS.GOV")

lines   <- readLines(file)
pattern <- "^(\\d+), (.*), \\b(.*)$"
matches <- regexec(pattern, lines)

bad.rows <- which(sapply(matches, length) == 1L)
if (length(bad.rows) > 0L) stop(paste("bad row: ", lines[bad.rows]))

data <- regmatches(lines, matches)
as.data.frame(matrix(unlist(data), ncol = 4L, byrow = TRUE)[, -1L])

#    V1                 V2                 V3
# 1 123              NAME1 EMAIL1@ADDRESS.COM
# 2 111              NAME2   EMAIL2@ADRESS.ME
# 3 699 FIRST M. LAST, Jr. EMAIL4@ADDRESS.GOV

Answer 3

我使用这个简单的python脚本来转换我的数据

import sys

for line in open(sys.argv[1]):
    x = line.split(',')
    x = [token.strip() for token in x]
    x = [x[0], '"%s"' % (",".join(x[1:-1])), x[-1]]
    print ";".join(x)

运行它

python conv.py input.txt > output.txt

之后，我可以毫无问题地在R中阅读它。

谢谢！

Answer 4

这是一个常见问题，其中一个更好的答案是使用scan或readLines将整个混乱加载到R中，然后使用gsub或其他正则表达式工具将行拆分为所需的元素。

编辑：有关此方法的详细信息，请参阅flodel的答案

csv中的额外逗号导致问题

4 个答案: