当将某些colClasses设置为整数时，read.table在看到引号字段值时会发出抱怨。

Question

我是通过使用借贷俱乐部的历史贷款数据来学习R的。这里有代表性的数据子集：https://gist.github.com/adetch/11b1c2b6eac0b6add23f

有关命令：

problem <- read.csv("test.csv",na.strings=c("","<NA>"),colClasses=c("mths_since_last_major_derog"="integer"))

我碰到的错误是：

Error in scan(file, what, nmax, sep, dec, quote, skip, nlines, na.strings,  : 
scan() expected 'an integer', got '""'

我在下面的命令中遇到了类似的问题：

problem <- read.csv("test.csv",na.strings=c("","<NA>"),colClasses=c("id"="integer"))

本例中的错误：

Error in scan(file, what, nmax, sep, dec, quote, skip, nlines, na.strings,  : 
scan() expected 'an integer', got '"1077501"'

所以在我看来

• R的integer类与引号不兼容。
• 而且可能是na.strings转换在类扫描之后运行，而integer检查在空字符串上失败。

但是，包装在""中的其他列(如member_id和loan_amnt )可以在没有抱怨的情况下转换为integer (也没有使用colClasses！进行任何特殊干预)。

最接近的问题是：

• 如何将这些字段(id、mths_since_last_major_derog)转换为整数，而不是因子(注意还有许多其他字段应该转换为因子)

更重要的是：

• 我的R类、类强制、read.table/read.csv等心理模型在哪里崩溃？

Answer 1

不要使用colClasses。如果你真的需要胁迫，那就按原样读一下，然后再读use$id <- as.integer(problem$id)。

但在这种情况下(您的test.csv)，我认为R非常擅长加载数据。

编辑

只是为了重来一次。假设有一个包含3列的简单数据表：

id,member_id,term
1077501,1296599,36 months
1077430,1314167,60 months
1077175,1313524,36 months
1076863,1277178,36 months

如果您通过

d <- read.csv("c:/temp/R/data.csv")

然后R将尽力匹配数据类型。如果你真的想预先告诉它，使用colClasses；如果你说的话

d <- read.csv("c:/temp/R/data.csv", colClasses = c("integer"))

然后，它将尝试对每个列使用类integer，因为它重复了colClasses向量。

同样的问题

d <- read.csv("c:/temp/R/data.csv", colClasses = c("integer","character"))

尝试以colClasses[1]的形式加载第一列，即整数- OK。

尝试将第二列加载为colClasses[2]，即字符- OK。

尝试加载第三列，因为没有colClasses[3]，所以它回收colClasses并返回到colClasses[1] --这是行不通的(R不知道如何将“36个月”强制转换为整数值)。

EDIT2

AFter实际上查看了数据集，问题是您的列没有任何值，只存储""。因此，您需要将""添加到您的na.string中，这将起到作用：(也就是说，您需要转义"，实际的字符串将是"\"\"")。

problem <- read.csv("c:/temp/R/test.csv",na.strings=c("\"\"","","<NA>"),colClasses=c("mths_since_last_major_derog"="integer"))