Documento qui l'elenco delle alternative per leggere file a larghezza fissa in R, oltre a fornire alcuni benchmark per i quali è il più veloce.
Il mio approccio preferito è combinare fread
con stringi
; è competitivo come l'approccio più veloce e ha il vantaggio aggiuntivo (IMO) di archiviare i dati come data.table
:
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$end[ii]))
][ , paste0("V", c(2, 5, 8, 11)) := NULL]
Nota che fread
rimuove automaticamente gli spazi bianchi iniziali e finali - a volte, questo non è desiderabile, nel qual caso viene impostato strip.white = FALSE
.
Avremmo anche potuto iniziare con un vettore di larghezze di colonna ww
facendo:
ww <- c(9, 5, 4, 4, 5, 4, 4, 5, 4, 4, 5, 4, 4)
nd <- cumsum(ww)
col_ends <-
list(beg = c(1, nd[-length(nd)]+1L),
end = nd)
E avremmo potuto scegliere quali colonne escludere in modo più efficace utilizzando indici negativi come:
col_ends <-
list(beg = c(1, -10, 15, 19, -23, 28, 32, -36,
41, 45, -49, 54, 58),
end = c(9, 14, 18, 22, 27, 31, 35,
40, 44, 48, 53, 57, 61))
Quindi sostituisci col_ends$beg[ii]
con abs(col_ends$beg[ii])
e nella riga successiva:
paste0("V", which(col_ends$beg < 0))
Infine, se vuoi che i nomi delle colonne vengano letti anche in modo programmatico, puoi ripulire con readLines
:
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 != ""]
(si noti che la combinazione di questo passaggio con fread
richiederebbe la creazione di una copia della tabella per rimuovere la riga di intestazione e sarebbe quindi inefficiente per set di dati di grandi dimensioni)
read.fwf
leggere i dati formattati a larghezza fissa.