Предупреждение read.csv "EOF в цитируемой строке" предотвращает полное чтение файла

У меня файл CSV (24,1 МБ), который я не могу полностью прочитать в своем сеансе R. Когда я открываю файл в программе для работы с электронными таблицами, я могу увидеть 112 544 строки. Когда я читаю его в R с read.csv, я получаю только 56 952 строки и это предупреждение:

cit <- read.csv("citations.CSV", row.names = NULL, 
                comment.char = "", header = TRUE, 
                stringsAsFactors = FALSE,  
                colClasses= "character", encoding= "utf-8")

Warning message:
In scan(file, what, nmax, sep, dec, quote, skip, nlines, na.strings,  :
  EOF within quoted string

Я могу прочитать весь файл в R с помощью readLines:

rl <- readLines(file("citations.CSV", encoding = "utf-8"))
length(rl)
[1] 112545

Но я не могу вернуть это в R в виде таблицы (через read.csv):

write.table(rl, "rl.txt", quote = FALSE, row.names = FALSE)
rl_in <- read.csv("rl.txt", skip = 1, row.names = NULL)

Warning message:
In scan(file, what, nmax, sep, dec, quote, skip, nlines, na.strings,  :
  EOF within quoted string

Как я могу решить или обходить это сообщение EOF (которое скорее всего является ошибкой, чем предупреждение), чтобы получить весь файл в моем сеансе R?

У меня есть аналогичные проблемы с другими методами чтения CSV файлов:

require(sqldf)
cit_sql <- read.csv.sql("citations.CSV", sql = "select * from file")
require(data.table)
cit_dt <- fread("citations.CSV")
require(ff)
cit_ff <- read.csv.ffdf(file="citations.CSV")

Здесь моя sessionInfo()

R version 3.0.1 (2013-05-16)
Platform: x86_64-w64-mingw32/x64 (64-bit)

locale:
[1] LC_COLLATE=English_United States.1252  LC_CTYPE=English_United States.1252   
[3] LC_MONETARY=English_United States.1252 LC_NUMERIC=C                          
[5] LC_TIME=English_United States.1252    

attached base packages:
[1] tools     tcltk     stats     graphics  grDevices utils     datasets  methods   base     

other attached packages:
 [1] ff_2.2-11             bit_1.1-10            data.table_1.8.8      sqldf_0.4-6.4        
 [5] RSQLite.extfuns_0.0.1 RSQLite_0.11.4        chron_2.3-43          gsubfn_0.6-5         
 [9] proto_0.3-10          DBI_0.2-7

ОТВЕТЫ

Ответ 1

Вам нужно отключить цитирование.

cit <- read.csv("citations.CSV", quote = "", 
                 row.names = NULL, 
                 stringsAsFactors = FALSE)

str(cit)
## 'data.frame':    112543 obs. of  13 variables:
##  $ row.names    : chr  "10.2307/675394" "10.2307/30007362" "10.2307/4254931" "10.2307/20537934" ...
##  $ id           : chr  "10.2307/675394\t" "10.2307/30007362\t" "10.2307/4254931\t" "10.2307/20537934\t" ...
##  $ doi          : chr  "Archaeological Inference and Inductive Confirmation\t" "Sound and Sense in Cath Almaine\t" "Oak Galls Preserved by the Eruption of Mount Vesuvius in A.D. 79_ and Their Probable Use\t" "The Arts Four Thousand Years Ago\t" ...
##  $ title        : chr  "Bruce D. Smith\t" "Tomás Ó Cathasaigh\t" "Hiram G. Larew\t" "\t" ...
##  $ author       : chr  "American Anthropologist\t" "Ériu\t" "Economic Botany\t" "The Illustrated Magazine of Art\t" ...
##  $ journaltitle : chr  "79\t" "54\t" "41\t" "1\t" ...
##  $ volume       : chr  "3\t" "\t" "1\t" "3\t" ...
##  $ issue        : chr  "1977-09-01T00:00:00Z\t" "2004-01-01T00:00:00Z\t" "1987-01-01T00:00:00Z\t" "1853-01-01T00:00:00Z\t" ...
##  $ pubdate      : chr  "pp. 598-617\t" "pp. 41-47\t" "pp. 33-40\t" "pp. 171-172\t" ...
##  $ pagerange    : chr  "American Anthropological Association\tWiley\t" "Royal Irish Academy\t" "New York Botanical Garden Press\tSpringer\t" "\t" ...
##  $ publisher    : chr  "fla\t" "fla\t" "fla\t" "fla\t" ...
##  $ type         : logi  NA NA NA NA NA NA ...
##  $ reviewed.work: logi  NA NA NA NA NA NA ...

Я думаю, это из-за таких линий (отметьте "Thorn" и "Minus" )

 readLines("citations.CSV")[82]
[1] "10.2307/3642839,10.2307/3642839\t,\"Thorn\" and \"Minus\" in Hieroglyphic Luvian Orthography\t,H. Craig Melchert\t,Anatolian Studies\t,38\t,\t,1988-01-01T00:00:00Z\t,pp. 29-42\t,British Institute at Ankara\t,fla\t,\t,"

Ответ 2

Я пользователь new-ish R и думаю, что опубликую его, если он поможет кому-то еще. Я пытался читать данные из текстового файла (разделенные запятыми), который включал несколько испанских символов, и мне потребовалось навсегда понять это. Я знал, что мне нужно использовать кодировку UTF-8, установить заголовок arg в TRUE, и что мне нужно установить аргумент sep для ",", но затем я все равно получил зависание. Прочитав это сообщение, я попытался установить значение fill arg в TRUE, но затем получил тот же "EOF в цитируемой строке", который я смог исправить так же, как указано выше, Моя успешная таблица read.table выглядит так:

target <- read.table("target2.txt", fill=TRUE, header=TRUE, quote="", sep=",", encoding="UTF-8")

В результате появились символы испанского языка и ту же тусклость, что и у меня, поэтому я назову это успешным! Спасибо всем!

Ответ 3

В разделе справки R, как указано выше, просто отключите цитирование в целом, просто добавив:

    quote = ""

для read.csv() работал у меня.

Ошибка "EOF в цитируемой строке" произошла с:

    > iproscan.53A.neg     = read.csv("interproscan.53A.neg.n.csv",
    +                        colClasses=c(pb.id      = "character",
    +                                     genLoc     = "character",
    +                                     icode      = "character",
    +                                     length     = "character",
    +                                     proteinDB  = "character",
    +                                     protein.id = "character",
    +                                     prot.desc  = "character",
    +                                     start      = "character",
    +                                     end        = "character",
    +                                     evalue     = "character",
    +                                     tchar      = "character",
    +                                     date       = "character",
    +                                     ipro.id    = "character",
    +                                     prot.name  = "character",
    +                                     go.cat     = "character",
    +                                     reactome.id= "character"),
    +                                     as.is=T,header=F)
    Warning message:
    In scan(file, what, nmax, sep, dec, quote, skip, nlines, na.strings,  :
      EOF within quoted string
    > dim(iproscan.53A.neg)
    [1] 69383    16

И в файле, в котором было прочитано, было 6 619 строк. Но отключив цитирование

    > iproscan.53A.neg     = read.csv("interproscan.53A.neg.n.csv",
    +                        colClasses=c(pb.id      = "character",
    +                                     genLoc     = "character",
    +                                     icode      = "character",
    +                                     length     = "character",
    +                                     proteinDB  = "character",
    +                                     protein.id = "character",
    +                                     prot.desc  = "character",
    +                                     start      = "character",
    +                                     end        = "character",
    +                                     evalue     = "character",
    +                                     tchar      = "character",
    +                                     date       = "character",
    +                                     ipro.id    = "character",
    +                                     prot.name  = "character",
    +                                     go.cat     = "character",
    +                                     reactome.id= "character"),
    +                                     as.is=T,header=F,**quote=""**)    
    > 
    > dim(iproscan.53A.neg)
    [1] 76002    16

Работал без ошибок, и все строки были успешно прочитаны.

Ответ 4

На самом деле использование read.csv() для чтения файла с текстовым контентом не является хорошей идеей, отключите цитату, поскольку set quote="" является лишь временным решением, оно работает только с разделительными кавычками. Есть и другие причины, вызывающие предупреждение, например, некоторые специальные символы.

Постоянное решение (using read.csv()), выяснение того, что представляют собой эти специальные символы, и использование регулярного выражения для их устранения - идея.

Вы когда-нибудь думали об установке пакета {data.table} и использовали fread() для чтения файла. это намного быстрее и не беспокоит вас этим предупреждением EOF. Обратите внимание, что файл, который он загружает, будет храниться как объект data.table, но не объект data.frame. Класс data.table имеет много хороших функций, но в любом случае вы можете преобразовать его, используя as.data.frame() если это необходимо.

Ответ 5

Я также столкнулся с этой проблемой и смог обойти аналогичную ошибку EOF, используя:

read.table("....csv", sep=",", ...)

Обратите внимание, что параметр разделителя определен в более общем read.table().

Ответ 6

У меня была аналогичная проблема: EOF -warning и только часть данных загружалась с помощью read.csv(). Я попробовал quotes = "", но только удалил EOF -warning.

Но, глядя на первую строку, которая не была загружена, я обнаружил, что в одной из ячеек есть специальный символ, стрелка → (шестнадцатеричное значение 0x1A). После удаления стрелки я получил данные для нормальной загрузки.

Ответ 7

У меня тоже была аналогичная проблема. Но в моем случае причина проблемы была связана с наличием апострофов (то есть одиночных кавычек) в некоторых текстовых значениях. Это особенно часто при работе с данными, включая тексты на французском языке, например "L'autre jour".

Таким образом, решение было просто настроить настройку по умолчанию аргумента quote, чтобы исключить символ "", и, таким образом, используя quote = "\" " (т.е. Только двойную кавычку), все сработало нормально.

Надеюсь, это поможет некоторым из вас. Приветствия.