本文檔here用於讀取R中固定寬度文件的替代方法列表,以及提供最快的一些基準。
我的首選方法是將fread
與stringi
相結合;它是最快的辦法有競爭力,並且具有存儲你的數據作爲data.table
額外的好處(IMO):
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$end[ii]))
][ , paste0("V", c(2, 5, 8, 11)) := NULL]
# V1 V3 V4 V6 V7 V9 V10 V12 V13
# 1: 03JAN1990 23.4 -0.4 25.1 -0.3 26.6 0.0 28.6 0.3
# 2: 10JAN1990 23.4 -0.8 25.2 -0.3 26.6 0.1 28.6 0.3
# 3: 17JAN1990 24.2 -0.3 25.3 -0.3 26.5 -0.1 28.6 0.3
# 4: 24JAN1990 24.4 -0.5 25.5 -0.4 26.5 -0.1 28.4 0.2
# 5: 31JAN1990 25.1 -0.2 25.8 -0.2 26.7 0.1 28.4 0.2
# ---
# 1365: 24FEB2016 27.1 0.9 28.4 1.8 29.0 2.1 29.5 1.4
# 1366: 02MAR2016 27.3 1.0 28.6 1.8 28.9 1.9 29.5 1.4
# 1367: 09MAR2016 27.7 1.2 28.6 1.6 28.9 1.8 29.6 1.5
# 1368: 16MAR2016 27.5 1.0 28.8 1.7 28.9 1.7 29.6 1.4
# 1369: 23MAR2016 27.2 0.9 28.6 1.4 28.8 1.5 29.5 1.2
注意fread
自動去除前後空格 - 有時,這是不可取的,在這種情況下設置strip.white = FALSE
。
另請注意我選擇了sep = "\n"
以防止任何內線分裂。如果this issue已實施,我們將擁有更強大的替代方案。
我們也已經做開始與列寬ww
的載體:
ww <- c(9, 5, 4, 4, 5, 4, 4, 5, 4, 4, 5, 4, 4)
nd <- cumsum(ww)
col_ends <-
list(beg = c(1, nd[-length(nd)]+1L),
end = nd)
而且我們可以挑選使用負下標,如要排除的列更有力:
col_ends <-
list(beg = c(1, -10, 15, 19, -23, 28, 32, -36,
41, 45, -49, 54, 58),
end = c(9, 14, 18, 22, 27, 31, 35,
40, 44, 48, 53, 57, 61))
然後將col_ends$beg[ii]
替換爲abs(col_ends$beg[ii])
並在下一行:
paste0("V", which(col_ends$beg < 0))
最後,如果你想通過程序讀取列名,以及,你可以用readLines
清理:
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 != ""]
(注意,結合這一步驟fread
需要,以消除標題行創建表的副本,從而將是低效的大型數據集)
而看看'read.fwf'閱讀閱讀修復ed寬度格式化數據。 –
我認爲處理每一行是一個更好的主意。它將' - '和''字符混合在一起。 – Fernando
或者,您可以說空格或 - 只是一個字符,因此首先用製表符替換所有多次出現的空格,然後拆分所有制表符分隔的條目 - 或空格。 – GitaarLAB