Data.table: fread puede fallar al analizar un archivo válido cuando dec = ','

Creado en 13 abr. 2018 · 3Comentarios · Fuente: Rdatatable/data.table

> fread('a,b,c,d\n1e1,1e2,1e3,"4,0001"\n1,2,3,4\n', dec=',')
       a     b     c      d
   <num> <num> <num>  <num>
1:    10   100  1000 4.0001
Warning message:
In fread("a,b,c,d\n1e1,1e2,1e3,\"4,0001\"\n1,2,3,4\n", dec = ",") :
  Discarded single-line footer: <<1,2,3,4>>

Esto sucede porque el analizador flotante consume codiciosamente 1,2 como un solo token, mientras que sin comillas debe analizarse como 2 campos separados.

Además, la sección "Detalles" de la documentación tiene la siguiente información (que hace tiempo que está desactualizada):

'fread' usa la función C 'strtod' para leer datos numéricos; p.ej,
'1,23' o '1,23'. 'strtod' recupera el separador decimal ('.' o
',' por lo general) desde la ubicación de la sesión R en lugar de como un
argumento pasado a la función 'strtod'. Así que para
'fread (..., dec = ",")' para trabajar, 'fread' cambia esto (y solo esto)
La configuración regional de la sesión R temporalmente a una configuración regional que proporciona la
separador decimal deseado.

bug fread

Fuente

st-pasha

👍1

Todos 3 comentarios

Paquete impresionante! Gracias.
Casualmente, ayer experimenté un comportamiento extraño posiblemente relacionado con fread.
Aquí hay un ejemplo simple (derivado de un caso real usando lapply fread en un montón de archivos).

library(data.table)

DT = data.table(A = rep("20,1", 1e4))
fwrite(DT, "DT.csv", quote = FALSE)

classA = character(1e3)

for (i in seq_along(classA)) {

  DT = fread("DT.csv", sep = ";", dec = ",", colClasses = "numeric")
  classA[i] = DT[, class(A)]
}

table(classA)

Esto me da:

Warning message:
In fread("DT.csv", sep = ";", dec = ",", colClasses = "numeric",  :
  Bumped column 1 to type character on data row 387, field contains '20,1'. Coercing previously read values in this column from logical, integer or numeric back to character which may not be lossless; e.g., if '00' and '000' occurred before they will now be just '0', and there may be inconsistencies with treatment of ',,' and ',NA,' too (if they occurred in this column before the bump). If this matters please rerun and set 'colClasses' to 'character' for this column. Please note that column type detection uses a sample of 1,000 rows (100 rows at 10 points) so hopefully this message should be very rare. If reporting to datatable-help, please rerun and include the output from verbose=TRUE.

table(classA)
# classA
# character   numeric 
#        1       999 
which(classA == "character")
# [1] 9
`````

So, sometimes, the column is read as character with the spotted row index being different for different runs. And the ```which``` indicates it is more likely to happen in the first iterations. I don't get the randomness and the fact that colClasses is ignored (I set colClasses after reading fread doc...).
And... I did not manage to reproduce the error when setting verbose = TRUE... Also, the bug was observed using RStudio, not reproduced in the R console...
Sorry if I missed or misunderstood something...

```r
sessionInfo()
R version 3.3.2 (2016-10-31)
Platform: x86_64-w64-mingw32/x64 (64-bit)
Running under: Windows 7 x64 (build 7601) Service Pack 1

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] stats     graphics  grDevices utils     datasets  methods   base     

other attached packages:
[1] data.table_1.10.4-3

loaded via a namespace (and not attached):
[1] tools_3.3.2 yaml_2.1.18

Atrebas en 14 abr. 2018

asegúrese de actualizar a la versión de desarrollo de data.table y vuelva a realizar la prueba. ha habido muchas mejoras en fread desde la última versión