Tengo este archivo (http://b7hq6v.alterupload.com/en/) que quiero leer en R con read.csv. Pero no puedo detectar la codificación correcta. Parece ser una especie de UTF-8. Estoy usando R 2.12.1 en una máquina con Windows XP. ¿Alguna Ayuda?¿Cómo detectar la codificación correcta para read.csv?
En primer lugar based on more general question on StackOverflow no es posible detectar la codificación del archivo en el 100% de certeza.
he luchan esto muchas veces y llegar a una solución no automática:
Uso iconvlist para conseguir todas las codificaciones posibles:
codepages <- setNames(iconvlist(), iconvlist())
A continuación, los datos leídos utilizando cada uno de ellos
x <- lapply(codepages, function(enc) try(read.table("encoding.asc",
fileEncoding=enc,
nrows=3, header=TRUE, sep="\t"))) # you get lots of errors/warning here
Importante aquí es conocer la estructura del archivo (separador, encabezados). Establezca la codificación usando el argumento fileEncoding. Lea solo algunas filas.
Ahora usted podría operaciones de búsqueda en los resultados:
unique(do.call(rbind, sapply(x, dim)))
# [,1] [,2]
# 437 14 2
# CP1200 3 29
# CP12000 0 1
que parece ser correcta es que con 3 filas y 29 columnas, por lo que permite verlos:
maybe_ok <- sapply(x, function(x) isTRUE(all.equal(dim(x), c(3,29))))
codepages[maybe_ok]
# CP1200 UCS-2LE UTF-16 UTF-16LE UTF16 UTF16LE
# "CP1200" "UCS-2LE" "UTF-16" "UTF-16LE" "UTF16" "UTF16LE"
Se podría buscar en los datos demasiado
x[maybe_ok]
Para su archivo, todas estas codificaciones devuelven datos idénticos (en parte porque hay cierta redundancia como se ve).
Si usted no sabe específica de su archivo es necesario utilizar readLines con algunos cambios en el flujo de trabajo (por ejemplo, no se puede utilizar fileEncoding, debe utilizar length en lugar de dim, hacer más magia para encontrar los correctos).
Hice una salida similar para iconvlist(), pero con un bucle. Lo crucial fue el uso de "fileEncoding". Mal uso la "codificación". Gracias por tu ayuda. – Alex
Esbocé un enfoque similar en https://gist.github.com/837414 - Creo que es más eficiente cargar los datos una vez, y luego probar diferentes codificaciones usando 'iconv'. – hadley
@Marek Buen truco. Al menos sé que mi problema 'read.csv' no tiene que ver con' fileEncoding'. – Tunn
Primero, debe averiguar cuál es la codificación del archivo, lo que no se puede hacer en R (al menos como yo sé). Puede usar herramientas externas para ello, p. de Perl, python o ej. la utilidad file en Linux/UNIX.
Como @ssmit sugiere, tiene una UTF-16LE (Unicode) de codificación aquí, así que carga el archivo con esta codificación y utilizar readLines para ver lo que tiene en los primeros (por ejemplo) 10 líneas:
> f <- file('encoding.asc', open="r", encoding="UTF-16LE") # UTF-16LE, which is "called" Unicode in Windows
> readLines(f,10)
[1] "\tFe 2\tZn\tO\tC\tSi\tMn\tP\tS\tAl\tN\tCr\tNi\tMo\tCu\tV\tNb 2\tTi\tB\tZr\tCa\tH\tCo\tMg\tPb 2\tW\tCl\tNa 3\tAr"
[2] ""
[3] "0\t0,003128\t3,82E-05\t0,0004196\t0\t0,001869\t0,005836\t0,004463\t0,002861\t0,02148\t0\t0,004768\t0,0003052\t0\t0,0037\t0,0391\t0,06409\t0,1157\t0,004654\t0\t0\t0\t0,00824\t7,63E-05\t0,003891\t0,004501\t0\t0,001335\t0,01175"
[4] "0,0005\t0,003265\t3,05E-05\t0,0003662\t0\t0,001709\t0,005798\t0,004395\t0,002808\t0,02155\t0\t0,004578\t0,0002441\t0\t0,003601\t0,03897\t0,06406\t0,1158\t0,0047\t0\t0\t0\t0,008026\t6,10E-05\t0,003876\t0,004425\t0\t0,001343\t0,01157"
[5] "0,001\t0,003332\t2,54E-05\t0,0003052\t0\t0,001704\t0,005671\t0,0044\t0,002823\t0,02164\t0\t0,004603\t0,0003306\t0\t0,003611\t0,03886\t0,06406\t0,1159\t0,004705\t0\t0\t0\t0,008036\t5,09E-05\t0,003815\t0,004501\t0\t0,001246\t0,01155"
[6] "0,0015\t0,003313\t2,18E-05\t0,0002616\t0\t0,001678\t0,005689\t0,004447\t0,002921\t0,02171\t0\t0,004621\t0,0003488\t0\t0,003597\t0,03889\t0,06404\t0,1158\t0,004752\t0\t0\t0\t0,008022\t4,36E-05\t0,003815\t0,004578\t0\t0,001264\t0,01144"
[7] "0,002\t0,003313\t2,18E-05\t0,0002834\t0\t0,001591\t0,005646\t0,00436\t0,003008\t0,0218\t0\t0,004643\t0,0003488\t0\t0,003619\t0,03895\t0,06383\t0,1159\t0,004752\t0\t0\t0\t0,008\t4,36E-05\t0,003771\t0,004643\t0\t0,001351\t0,01142"
[8] "0,0025\t0,003488\t2,18E-05\t0,000218\t0\t0,001657\t0,00558\t0,004338\t0,002986\t0,02175\t0\t0,004469\t0,0002616\t0\t0,00351\t0,03889\t0,06374\t0,1159\t0,004621\t0\t0\t0\t0,008131\t4,36E-05\t0,003771\t0,004708\t0\t0,001243\t0,01125"
[9] "0,003\t0,003619\t0\t0,0001526\t0\t0,001591\t0,005668\t0,004207\t0,00303\t0,02169\t0\t0,00449\t0,0002834\t0\t0,00351\t0,03874\t0,06383\t0,116\t0,004665\t0\t0\t0\t0,007956\t0\t0,003749\t0,004796\t0\t0,001286\t0,01125"
[10] "0,0035\t0,003422\t0\t4,36E-05\t0\t0,001482\t0,005711\t0,004185\t0,003292\t0,02156\t0\t0,004665\t0,0003488\t0\t0,003553\t0,03852\t0,06391\t0,1158\t0,004708\t0\t0\t0\t0,007717\t0\t0,003597\t0,004905\t0\t0,00133\t0,01136"
A partir de esto, se puede ver que tenemos un encabezado y una línea en blanco en la segunda fila (que se omitirá de forma predeterminada con la función read.table), el separador es \t y el carácter decimal es ,.
> f <- file('encoding.asc', open="r", encoding="UTF-16LE")
> df <- read.table(f, sep='\t', dec=',', header=TRUE)
Y ver lo que tenemos:
> head(df)
X Fe.2 Zn O C Si Mn P S
1 0.0000 0.003128 3.82e-05 0.0004196 0 0.001869 0.005836 0.004463 0.002861
2 0.0005 0.003265 3.05e-05 0.0003662 0 0.001709 0.005798 0.004395 0.002808
3 0.0010 0.003332 2.54e-05 0.0003052 0 0.001704 0.005671 0.004400 0.002823
4 0.0015 0.003313 2.18e-05 0.0002616 0 0.001678 0.005689 0.004447 0.002921
5 0.0020 0.003313 2.18e-05 0.0002834 0 0.001591 0.005646 0.004360 0.003008
6 0.0025 0.003488 2.18e-05 0.0002180 0 0.001657 0.005580 0.004338 0.002986
Al N Cr Ni Mo Cu V Nb.2 Ti B Zr
1 0.02148 0 0.004768 0.0003052 0 0.003700 0.03910 0.06409 0.1157 0.004654 0
2 0.02155 0 0.004578 0.0002441 0 0.003601 0.03897 0.06406 0.1158 0.004700 0
3 0.02164 0 0.004603 0.0003306 0 0.003611 0.03886 0.06406 0.1159 0.004705 0
4 0.02171 0 0.004621 0.0003488 0 0.003597 0.03889 0.06404 0.1158 0.004752 0
5 0.02180 0 0.004643 0.0003488 0 0.003619 0.03895 0.06383 0.1159 0.004752 0
6 0.02175 0 0.004469 0.0002616 0 0.003510 0.03889 0.06374 0.1159 0.004621 0
Ca H Co Mg Pb.2 W Cl Na.3 Ar
1 0 0 0.008240 7.63e-05 0.003891 0.004501 0 0.001335 0.01175
2 0 0 0.008026 6.10e-05 0.003876 0.004425 0 0.001343 0.01157
3 0 0 0.008036 5.09e-05 0.003815 0.004501 0 0.001246 0.01155
4 0 0 0.008022 4.36e-05 0.003815 0.004578 0 0.001264 0.01144
5 0 0 0.008000 4.36e-05 0.003771 0.004643 0 0.001351 0.01142
6 0 0 0.008131 4.36e-05 0.003771 0.004708 0 0.001243 0.01125
Gracias, funciona. Pero ¿por qué tengo que saltar las primeras 2 líneas? ¿Y por qué esto no funciona en read.csv directamente? – Alex
@ user590885: tiene razón, 'skip = 2' se puede omitir (edité mi respuesta en función de eso), la segunda línea en blanco se omitirá. También puede usar la función 'read.csv' para leer este archivo (con los mismos parámetros dados), pero como su archivo no está delimitado por comas, sino por tabuladores, no creo que sea bonito. Busque '? Read.table' para obtener detalles sobre las similitudes de las funciones (las diferencias se pueden encontrar en los valores predeterminados). – daroczig
El paquete readr, https://cran.r-project.org/web/packages/readr/readr.pdf, incluye una función llamada guess_encoding que calcula la probabilidad de que un archivo de ser codificada en varias codificaciones:
guess_encoding("your_file", n_max = 1000)
El enlace está muerto. – Augustin