Data.table: fread может не проанализировать действительный файл, если dec = ','

Созданный на 13 апр. 2018 · 3Комментарии · Источник: 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>>

Это происходит потому, что парсер с плавающей запятой жадно потребляет 1,2 как один токен, тогда как без кавычек он должен анализироваться как 2 отдельных поля.

Кроме того, в разделе «Подробности» документации есть следующая информация (которая давно устарела):

'fread' использует функцию C 'strtod' для чтения числовых данных; например,
«1,23» или «1,23». 'strtod' извлекает десятичный разделитель ('.' или
',' обычно) из локали сеанса R, а не как
аргумент, переданный функции strtod. Таким образом, для
'fread (..., dec = ",")' для работы, 'fread' изменяет это (и только это)
Локаль сеанса R временно на локаль, которая предоставляет
желаемый десятичный разделитель.

bug fread

Источник

st-pasha

👍1

Все 3 Комментарий

Отличный пакет! Спасибо.
По совпадению, вчера я испытал, возможно, странное поведение, связанное с fread.
Вот простой пример (полученный из реального случая с использованием lapply fread для группы файлов).

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)

Это дает мне:

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 14 апр. 2018

пожалуйста, не забудьте обновить data.table до разрабатываемой версии и протестировать снова. с момента последнего выпуска в fread было внесено много улучшений