Question

我使用data.table::fread将从（可访问的）数据库导出的几个大的制表符分隔文本文件加载到R中。 fread可以轻松快捷地处理大多数文件，但其中一个文件会生成定期报告的fread错误：

Error in fread(read_problem, encoding = "UTF-8", na.strings = "", header = TRUE,  : 
                   Expected sep ('  ') but new line or EOF ends field ...

此处提供了包含违规行的较小（2000行）版本的文件（RDS file）。

以下是我尝试诊断问题的方法：

library(data.table) # I'm using 1.9.7 development (same error with 1.9.6)
read_problem <- readRDS("read_problem.rds")
error <- fread(read_problem, encoding = "UTF-8", na.strings = "",
               header = TRUE, sep = "\t", 
               colClasses = rep("character", 44),  # For simplicity
               verbose = TRUE)

如果我删除违规行，问题就会消失：

cat(read_problem, file = "temp")   
string_vec <- readLines("temp")
clipped_vec <- string_vec[-1027] # Get rid of problem line 1027
restored <- paste(clipped_vec, collapse = "\n")
noerror <- fread(restored, encoding = "UTF-8", na.strings = "",
                 header = TRUE, sep = "\t", 
                 colClasses = rep("character", 44)) # For simplicity
class(noerror)
[1] "data.table" "data.frame"

dim(noerror) 
[1] 1999   44

错误消息似乎很清楚：fread正在寻找＆＃34; \ t＆＃34;但是找到了其他的东西。

但是，通过仔细查看相对于周围人的违规行，我发现没有什么明显的。

制表符的数量相同

sapply(gregexpr("\t", string_vec[1026:1028]), length)
[1] 43 43 43

换行信息似乎相同

unlist(gregexpr("\n", string_vec[1026:1028]))
[1] -1 -1 -1

以下是将违规行本身视为字符串：

string_vec[1027]
[1] "URN:CornellLabOfOrnithology:EBIRD:OBS132960387\t29816\tspecies\tNelson's Sparrow\tAmmodramus nelsoni\t\t\t1\t\t\tUnited States\tUS\tGeorgia\tUS-GA\tGlynn\tUS-GA-127\tUS-GA_3181\t\t\tJekyll Island\tL140461\tH\t31.0464993\t-81.4113007\t1990-11-03\t13:15:00\t\"Jekyll Island and Causeway. Partly cloudy, mild, NE wind 8-15 mph. Note: Did very little birding in upland habitats as time available was rather brief.\"  Data entered on behalf of Paul Sykes by Alison Huff (arhuff@uga.edu) on 12-15-11.\tListed on old Georgia Field Checklist as \"Sparrow, Sharp-tailed.\"\tobsr289931\tPaul\tSykes\tS9336358\teBird - Traveling Count\tEBIRD\t270\t8.047\t\t1\t1\t\t1\t0\t\t"

如果没有手动提取违规行，是否有任何建议可以解决这个问题？

Answer 1

使用this commit，现在已在当前开发版本v1.9.7中修复。因此，下一个稳定版本应该能够使用quote=""正确阅读。

require(data.table) #v1.9.7+
fread('"abcd efgh." ijkl.\tmnop "qrst uvwx."\t45\n', quote="")
#                    V1                V2 V3
# 1: "abcd efgh." ijkl. mnop "qrst uvwx." 45

在第1027行，"Sparrow, Sharp-tailed."末尾只有一个标签。在其他行中，在该字段之后，在“obsr [0-9]”字段开始之前有两个。

选项卡的数量似乎匹配，因为在第1027行，“在旧的Georgia Field上列出”而不是空格之前有一个标签..

因此，1027行只获得43个cols而不是44.这似乎是个问题。

再看一遍，好像Listed on old Georgia Field Checklist as "Sparrow, Sharp-tailed."应该作为一个单独的列阅读，而是与前一列一起阅读......

这是一个较小的可重复的例子：

# note that there are only 2 instead of 3 columns
fread('"abcd efgh." ijkl.\tmnop "qrst uvwx."\t45\n')
#                                     V1 V2
# 1: abcd efgh." ijkl.\tmnop "qrst uvwx. 45

# add a header column and it returns the same error
fread('a\tb\tc\n"abcd efgh." ijkl.\tmnop "qrst uvwx."\t45\n')
# Error in fread("a\tb\tc\n\"abcd efgh.\" ijkl.\tmnop \"qrst uvwx.\"\t45\n") : 
#   Expected sep (' ') but new line, EOF (or other non printing character) 
#   ends field 1 when detecting types (   first): "abcd efgh." ijkl.    mnop 
#   "qrst uvwx."    45

提起1367。

Answer 2

一种可能的解决方案是：

将所有CSV读入一个列表

df＆lt; -lapply（csv，function（x）read.csv（x，stringsAsFactors = FALSE））

列表中的每个元素代表一个CSV

将列表转换为一个大数据框

df2＆lt; - ldply（df，data.frame）

像往常一样使用grep删除包含EOF的行。

df3＆lt; -df2 [！grepl（＆＃34; eof＆＃34;，df2 $ V1），]

其中V1是EOF所在的列名。

Answer 3

对于以下错误：“预期的sep（'|'），但是在读取数据时，新行或EOF在第8863行的字段6结束了：”

您只需要在fread代码中添加其他quote =“”

fread（load_file_from_directory，sep =“ |”，quote =“”）

绕过＆＃34;鬼＆＃34; data.table :: fread中的换行符或结尾文件（EOF）

3 个答案: