问文本有逗号时的readcsv

EN

首先，如果您控制了数据输出格式，我强烈建议您要么(a)正确引用字段，要么(b)使用另一个字符作为分隔符(例如选项卡、管道“\”)。这是理想的解决方案，因为它肯定会加快未来的处理和“修复故障”，可以这么说。

缺少这一点，您可以尝试以编程方式修复所有行。假设只有第一列有问题(即所有其他列都是完全定义的)，然后逐行将真分隔符更改为不同的分隔符(例如管道或制表符)。

在这个例子中，我有4个用逗号分隔的列，我将把合法的分隔符更改为管道。

1. 一些数据和神奇常数： “我不认识罗伯特、金或道格拉斯”-马库斯。答:10，公司总裁，真实，0，14“某事，其他"，虚假，1，15”某事正确“，真实，2，22其他东西，假的，3，33‘nColumns <- 4#已知的先验<-”，“，”newsep <-“ 在您的例子中，您将阅读数据： txt <- readLines(“path/to/malformmed.csv”) nColumns <- 16
2. 做一个手册(基于文本的，而不是数据类型的解析)分离： <- strsplit(readLines(textConnection(txt))，oldsep) 请注意，例如，它将假字段读取为逐字字符"FALSE"，而不是布尔数据类型。如果我们采用read.csv和表兄妹所做的神奇类型检测，这是可以避免的，但为什么呢？
3. 每行:首先忽略最后一个nColumns-1字段，将第一个字段与旧分隔符重新组合，生成一个单独的字段(用逗号)；现在将其与剩余的nColumns-1字段组合，并将它们与新分隔符组合。(顺便说一句:确保我们处理的是正确的双引号。) txt2 <- splits(拆分，函数(Vec){n <- length(vec)如果(n < nColumns)返回(粘贴(vec，折叠= newsep)) vec1 <- vec1 (vec1：(n- nColumns + 1)，折叠= oldsep) vec1 <- sprintf(‘’%s‘，gsub(’，‘’，vec1))粘贴(vec1，vec(n - nColumns + 2):n)，( txt21 #1“\”我不认识罗伯特、金或道格拉斯\“\”-马库斯。A.十家公司总裁\“真” (如果原始文件正确引用双引号，则可能不需要sprintf行.但是，如果它有正确的引用，我们就不会有这个问题了。)
4. 现在，要么将数据直接吸收到data.frame中： read.csv(textConnection(txt2)，header = FALSE，sep = newsep) # V1 V2 V3 V4 #1“我不认识罗伯特、金或道格拉斯”-马库斯。答:十家公司总裁真0 14 #2“某事”，否则“假1 15 #3”某事正确2 22 #4其他虚假3 33 或者将这些内容写回一个文件(如果您想在其他地方处理这些文件很好)，适当地添加con = "path/to/filename： writeLines(txt2) #“我不认识罗伯特、金或道格拉斯”--马库斯·A·滕公司总裁“\x{e76f}\\{e76f}\\{e76f}‘”’ (两个值得注意的变化:正确的逗号分隔符现在是管道，所有其他逗号仍然是逗号；双引号周围有正确的引号。是的，转义双引号就是两个双引号。如果字段中有引号，这就是R所期望的。)

注:虽然这似乎适用于我的伪造数据(我希望它适用于你的数据)，但你没有听说过有人在这种方式下吹嘘R的速度和效率。当然，也有更好的方法来实现这一点，比如使用python、awk或sed。在R中，可能有更快的方法可以做到这一点。