1.2 readr——進階數據讀取

'eadr'包是R語言世界級大神之一Hadley Wickham主導開發的一個數據讀取包。相較于'utils'包里的讀取函數，'readr'包主要擁有三點優勢，具體如下。

1）更快。就平均讀取速度而言，'readr'包里的'read_csv'一般要比'read.csv'快三到十倍不等。

2）默認設置更簡潔。默認情況下，'readr'包會自動解析每列的數據類型，并顯示解析結果，這樣可以更加直觀地看到讀取后的數據類型是否符合預期，而且無須設置'stringAsFactors'。

3）對數據類型的解析更準確。'utils'包中提供的'read.table'函數在甄別一列數據的屬性時，只會對起始5行的觀測值類型進行評估，并以此決定該列全部數據的類型。而'readr'中的函數默認評估1000行的觀測值后再決定數據的類型。

'readr'包中常用的數據讀書取函數包括'read_delim'、'read_fwf'、'read_lines'、'read_log'和'read_table'。其中'read_delim'屬于常見數據讀取'read_csv/read_csv2/read_tsv'的母函數，所以也可以直接調用子函數。

read_delim

常用分隔符文件的讀取函數'read_csv/read_csv2/read_tsv'分別對應于'utils'中的'read.csv/read.csv2/read.delim'。Hadley與其他成員開發的這個包更像是對'baseR'中與數據讀取有關函數的一個優化，使其更加規范、穩定和可再現。表1-13中列出了readr_delim包參數的英文名稱、功能的中文描述及部分傳參注釋。其中，比較重要的幾個參數依次為'file'它們比較'delim'（如使用'read_csv'等則無須設置）、'skip'、'col_name'和'col_types'。之所以說它們比較重要，是因為筆者發現適當調整參數設置可以讓后續的數據處理事半功倍。

參數'file'的重要性不言而喻，無默認值，必須設置。第二位參數'delim'視情況可有可無，在使用具體的子函數'read_csv/read_csv2/read_tsv'時就無須設置。不過使用母函數'read_delim'時是沒有默認值的。

當一個.csv數據中前面有很多空白行時，skip參數可以直接跳過空白行來讀取數據。具體設置非常簡單，skip=3即表示跳過前三行數據，從第四行開始讀取。這個參數并非只用于跳過空白行，也可以用來讀取原始數據的一部分，配合n_max使用可以做到隨心所欲地讀取任一部分數據。

另外一個重要的參數是col_names。對原始數據中的變量名稱不滿意，可以使用該參數自定義變量名稱。這個參數可以理解為將read.table中的參數header和col.names的功能融合在一起，相關內容請參見1.1.3節。

變量屬性對后續計算會有很大影響，所以col_types參數的重要性也不容忽視。雖然Hadley等已經將這個參數的功能優化得非常智能了，但他還是會建議用戶應盡量依據個人需求來定義變量屬性，因為意外總是存在的。

下面的代碼展示了read_csv解析變量屬性正常、讀取正常的情況。運行函數之后，報告會在console中顯示每一列數據都被解析成了何種屬性，因此非常容易甄別哪一列數據類型不是期望的類型。在某些特殊情況下，比如原始文件分隔符號不統一的情況，這時自動解析功能會無法識別某一列或多列變量的屬性，進而顯示parsing failures（剖析失敗）的報告。用戶可以通過problems函數來查看具體的信息，從而確定原始數據中的哪一部分數據出現問題。

> library(readr)
> read_csv("RawData/flights.csv")
## Parsed with column specification:
## cols(　
## carrier = col_character(),
## flight = col_integer(),
## tailnum = col_character(),
## origin = col_character(),
## dest = col_character(),
## air_time = col_integer()
## )