使用 readr 包中的 tidy-selection 指定跨多个列的列类型

我尝试使用read_csv from {readr}读一个CSV文件到 R 中。为了演示我的真正问题，我重置了参数guess_max最初为 5（默认为 1000）

library(readr)
formals(read_csv)$guess_max <- 5

并以较小的文字数据为例：

csv <- I(
"ID, Col1, Col2, VarA, VarB, VarC
1, NA, NA, NA, NA, NA
2, NA, NA, NA, NA, NA
3, NA, NA, NA, NA, NA
4, NA, NA, NA, NA, NA
5, 0, 1, x, y, z
6, NA, NA, NA, NA, NA")

read_csv(csv)

# # A tibble: 6 × 6
#      ID  Col1    Col2    VarA   VarB   VarC 
#   <dbl>  <lgl>   <lgl>   <lgl>  <lgl>  <lgl>
# 1     1  NA      NA      NA     NA     NA   
# 2     2  NA      NA      NA     NA     NA   
# 3     3  NA      NA      NA     NA     NA   
# 4     4  NA      NA      NA     NA     NA   
# 5     5  FALSE*  TRUE*   NA*    NA*    NA*
# 6     6  NA      NA      NA     NA     NA

*: 出现解析问题

受影响guess_max，仅前 5 行（列名称和ID1 到 4) 用于猜测列类型。因为值在ID1 到 4 全部缺失，所有列都被猜测为logical并被错误地解析：

• 0, 1（整数）→FALSE, TRUE（逻辑）
• 'x', 'y', 'z'（人物）→NA（逻辑）

在这种情况下我必须设置col_types手动：

read_csv(csv, col_types = cols(Col1 = col_integer(), Col2 = col_integer(),
                               VarA = col_character(), VarB = col_character(), VarC = col_character()))

# # A tibble: 6 × 6                                                                                                   
#      ID  Col1  Col2 VarA  VarB  VarC 
#   <dbl> <int> <int> <chr> <chr> <chr>
# 1     1    NA    NA NA    NA    NA   
# 2     2    NA    NA NA    NA    NA   
# 3     3    NA    NA NA    NA    NA   
# 4     4    NA    NA NA    NA    NA   
# 5     5     0     1 x     y     z    
# 6     6    NA    NA NA    NA    NA

当列太多时，一一提供列类型很烦人。如果我想指定的那些列的名称有一些模式，我希望使用-like 语法来指定跨多个列的类型，例如across() in {dplyr}。伪代码如下：

read_csv(csv, col_types = cols(across(starts_with("Col"), col_integer()),
                               across(starts_with("Var"), col_character())))

是否可以通过readr本身还是其他附加包？

提前致谢！

Edits

我需要使用col_xxx()而不是它们的缩写（'i', 'c'等）来创建更通用的列规范，例如

cols(across(contains("Date"), col_date(format = "%m-%d-%Y")),
     across(Fct1:Fct9, col_factor(levels = custom_levels)))

The read_delim()family 使用 tidy-selection 来选择带有参数的列col_select。您可以利用此参数将 tidy-selection 合并到列类型的规范中。下面是一个简单的实现。关键是设置n_max = 0L仅读取列名称行。

版本1

col_across <- function(.cols, .fns, file) {
  col_selected <- read_csv(file, n_max = 0L, col_select = {{.cols}}, show_col_types = FALSE)
  lapply(col_selected, function(x) .fns)
}

df <- read_csv(csv, col_types = c(col_across(starts_with("Col"), col_integer(), csv),
                                  col_across(VarA:VarC, col_factor(c('x', 'y', 'z')), csv)))

上面的方法很简单，但是对于一些人来说还可以缺点:

1. 相同的文件源（即对象csv）需要传递给每个col_across().
2. The read_delim系列包括多种变体，例如read_csv, read_csv2, read_tsv。打电话时df <- read_xxx(...)，你必须确认col_across()已经使用了一致的read_xxx读取列名。

版本2

的改进版本col_across被开发来自动检测哪些read_xxx使用，并从外部调用中检索文件源。

col_across <- function(.cols, .fns) {
  sc <- sys.call(1L)
  sc <- match.call(match.fun(sc[[1L]]), sc)
  read_call <- sc[c(1L, match("file", names(sc), 0L))]
  read_call$n_max <- 0L
  read_call$col_select <- substitute(.cols)
  read_call$show_col_types <- FALSE
  lapply(eval(read_call, parent.frame()), function(x) .fns)
}

df <- read_csv(csv, col_types = c(col_across(starts_with("Col"), col_integer()),
                                  col_across(VarA:VarC, col_factor(c('x', 'y', 'z')))))

请注意，这个版本col_across只能在内部使用read_delim()家庭，作为across is to mutate in dplyr.

检查色谱柱规格

spec(df)

# cols(
#   ID = col_double(),
#   Col1 = col_integer(),
#   Col2 = col_integer(),
#   VarA = col_factor(levels = c("x", "y", "z"), ordered = FALSE, include_na = FALSE),
#   VarB = col_factor(levels = c("x", "y", "z"), ordered = FALSE, include_na = FALSE),
#   VarC = col_factor(levels = c("x", "y", "z"), ordered = FALSE, include_na = FALSE)
# )