read.csv()的输出

Question

我一直试图将csv加载到R中，以便进行一些处理，但在读取数据本身时，我遇到了一个奇怪的问题。

csv没有任何标题，我使用以下简单代码读取数据

newClick <- read.csv("test.csv", header = F)

以下是示例数据集：

10000011791441224671,V_Display,exit
10000011951441812316,V_Display,exit
10000013211441319797,V_Display,exit
1000001331441725509,V_Display,exit
10000013681418242863,C_GoogleNonBrand,V_Display,V_Display,V_Display,V_Display,_Display,V_Display,V_Display,V_Display,V_Display,V_Display,V_Display,V_Display,V_Display,V_Display,V_Display,exit
10000014031441295393,V_Display,exit

该数据的输出为预期的6倍的数据帧。18个变量。

然而，这里有一个棘手的部分。如果我在数据集中添加另一行，如下所示

10000011791441224671,V_Display,exit
10000011951441812316,V_Display,exit
1000000191441228436,V_Display,exit
10000013211441319797,V_Display,exit
1000001331441725509,V_Display,exit
10000013681418242863,C_GoogleNonBrand,V_Display,V_Display,V_Display,V_Display,V_Display,V_Display,V_Display,V_Display,V_Display,V_Display,V_Display,V_Display,V_Display,V_Display,V_Display,exit
10000014031441295393,V_Display,exit

这是一个奇怪的由3个变量组成的12倍的输出。经过仔细分析，我意识到整个第二行被划分为6行，每个列有三列，这是很奇怪的。

对此有什么想法吗？

Answer 1

正如注释中提到的，这是因为列的数量由输入的前五行决定。如果你陷入困境，这里有一个可能的解决办法，我已经测试过了，而且似乎运行良好。秘诀是为col.names输入一个向量，即数据中列数的长度。我们可以使用count.fields()获得列数。插入file的文件名。

## get the number of columns
ncols <- max(count.fields(file, sep = ","))
## read the data with all columns as character
df <- read.csv(file, header = FALSE, col.names = paste0("V", seq_len(ncols)))

下面是使用数据进行测试的代码：

txt <- "10000011791441224671,V_Display,exit\n10000011951441812316,V_Display,exit\n1000000191441228436,V_Display,exit\n10000013211441319797,V_Display,exit\n1000001331441725509,V_Display,exit\n10000013681418242863,C_GoogleNonBrand,V_Display,V_Display,V_Display,V_Display,V_Display,V_Display,V_Display,V_Display,V_Display,V_Display,V_Display,V_Display,V_Display,V_Display,V_Display,exit\n10000014031441295393,V_Display,exit"

ncols <- max(count.fields(textConnection(txt), sep = ","))
df <- read.csv(text = txt, header = FALSE, col.names = paste0("V", seq_len(ncols)))
dim(df)
# [1]  7 18

Answer 2

根据R文件，

数据列的数量取决于>input的前五行(或者如果它小于五行的话是整个输入)，或者如果它被指定并且更长，则从>col.names的长度来确定。如果>fill或blank.lines.skip是真的话，这可能是错误的，所以如果必要的话请指定col.names

由于前5行包含第一个示例中的更广泛的观察，而不是在第二个示例中，因此dataset在第一个示例中正确地出现，并在第二个示例中被包装到单独的行中。

确保这种情况不会发生的方法是在CSV中添加列标题，或者使用col.name函数的read.csv参数定义适当的列数。