web-dev-qa-db-ja.com

固定幅のテキストファイルを読み取る

私はこのいフォーマットのデータセットをRセッションにロードしようとしています: http://www.cpc.ncep.noaa.gov/data/indices/wksst8110.for

Weekly SST data starts week centered on 3Jan1990

Nino1+2      Nino3        Nino34        Nino4
Week          SST SSTA     SST SSTA     SST SSTA     SST SSTA 
03JAN1990     23.4-0.4     25.1-0.3     26.6 0.0     28.6 0.3 
10JAN1990     23.4-0.8     25.2-0.3     26.6 0.1     28.6 0.3 
17JAN1990     24.2-0.3     25.3-0.3     26.5-0.1     28.6 0.3

これまでのところ、私は行を読むことができます

  x = readLines(path)

しかし、このファイルは区切り文字として「空白」と「-」を混ぜており、私は正規表現の専門家ではありません。これをすてきできれいなRデータフレームに変える助けを感謝します。ありがとう!

83
Fernando

これは固定幅ファイルです。 read.fwf()を使用して読み取ります。

x <- read.fwf(
  file=url("http://www.cpc.ncep.noaa.gov/data/indices/wksst8110.for"),
  skip=4,
  widths=c(12, 7, 4, 9, 4, 9, 4, 9, 4))

head(x)

            V1   V2   V3   V4   V5   V6   V7   V8  V9
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
6  07FEB1990   25.8  0.2 26.1 -0.1 26.8  0.1 28.4 0.3

更新

パッケージreadr(2015年4月リリース)は、シンプルで高速な代替手段を提供します。

library(readr)

x <- read_fwf(
  file="http://www.cpc.ncep.noaa.gov/data/indices/wksst8110.for",   
  skip=4,
  fwf_widths(c(12, 7, 4, 9, 4, 9, 4, 9, 4)))

速度の比較:readr::read_fwf()utils::read.fwf ()よりも約2倍高速でした。

172
Andrie

幅を決定する別の方法...

df <- read.fwf(
  file=url("http://www.cpc.ncep.noaa.gov/data/indices/wksst8110.for"),
  widths=c(-1, 9, -5, 4, 4, -5, 4, 4, -5, 4, 4, -5, 4, 4),
  skip=4
)

Widths引数の-1は、無視する必要がある1文字の列があることを示し、widths引数の-5は、同様に無視する必要がある5文字の列があることを示します...

参照: https://www.inkling.com/read/r-cookbook-paul-teetor-1st/chapter-4/recipe-4-6

53

まず、その質問は、LeeksのCoursera「Get Data and Clean It」コースから直接のものです。質問には別の部分がありますが、難しい部分はファイルの読み取りです。

とはいえ、このコースは主に学習を目的としています。

私はRの固定幅手順が嫌いです。それは遅く、多数の変数の場合、特定の列などを無効にするのは非常にすぐに苦痛になります。

readLines()を使用してから、substr()を使用して変数を作成する方が簡単だと思います

x <- readLines(con=url("http://www.cpc.ncep.noaa.gov/data/indices/wksst8110.for"))

# Skip 4 lines
x <- x[-(1:4)]

mydata <- data.frame(var1 = substr(x, 1, 10),
                     var2 = substr(x, 16, 19),
                     var3 = substr(x, 20, 23),
                     var4 = substr(x, 29, 32)  # and so on and so on
                     )
17
James Holland

Hadley Wickhamのreadrパッケージでread_fwf()関数を使用できるようになりました。

ベースread.fwf()と比較して、大幅なパフォーマンスの改善が期待されます。

10
Lionel Henry

こちら Rで固定幅ファイルを読み取るための代替のリストと、最速のベンチマークを提供します。

私が好むアプローチは、freadstringiを組み合わせることです。最速のアプローチとして競争力があり、データをdata.tableとして保存する追加の利点(IMO)があります。

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 = NULL
  )[, 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

freadは、先頭および末尾の空白を自動的に削除することに注意してください。これは望ましくない場合があり、その場合はstrip.white = FALSEを設定します。


また、以下を実行することにより、列幅のベクトルwwから始めることもできます。

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)

そして、次のような負のインデックスを使用することで、より堅牢に除外する列を選択できます。

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))

次に、col_ends$beg[ii]abs(col_ends$beg[ii])で置き換え、次の行で:

paste0("V", which(col_ends$beg < 0))

最後に、列名もプログラムで読み取る場合は、readLinesでクリーンアップできます。

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 != ""]

(この手順をfreadと組み合わせるには、ヘッダー行を削除するためにテーブルのコピーを作成する必要があるため、大きなデータセットに対しては効率が悪いことに注意してください)

5
MichaelChirico

Rについてはわかりませんが、そのような行に一致する正規表現を提供できます。

\s[0-9]{2}[A-Z]{3}[0-9]{4}(\s{5}[0-9]+\.[0-9]+[ -][0-9]+\.[0-9]+){4}
4
11684