R 数据处理（五）
前言
前面我们讲到了 readr 的解析器，总共有 8 个解析函数。
下面我们具体介绍每个解析函数的用法
解析器
1. 数值
对数值的解析看起来挺简单的，但其实有几个问题需要解决：
-
世界上不同地区的人写数字的方式会有所不同，比如，一些国家使用
.来区分实数的整数部分和小数部分，而其他国家使用,来区分 -
数字在不同的使用场景会被不同的字符包裹，比如
$1000，10% -
数字通常包含分组字符，方便阅读。例如
1,000,000
为了解决第一个问题，readr 提供了 locale 参数来指定不同地区的解析方式。
解析数字时，最重要的选项是用于小数点的字符，你可以设置新的 locale 并指定 decimal_mark 参数的值来覆盖默认的 .
> parse_double("1.23")
[1] 1.23
> parse_double("1,23", locale = locale(decimal_mark = ","))
[1] 1.23
parse_number() 用于解决第二个问题：它会忽略数字前后的非数字字符，这对货币和百分比数字特别有用，但也适用于提取文本中嵌入的数字
> parse_number("$100")
[1] 100
> parse_number("20%")
[1] 20
> parse_number("It cost $123.45")
[1] 123.45
最后一个问题可以通过结合 parse_number() 和 locale 来忽略分组标记
# Used in America
> parse_number("$123,456,789")
[1] 123456789
# Used in many parts of Europe
> parse_number("123.456.789", locale = locale(grouping_mark = "."))
[1] 123456789
# Used in Switzerland
> parse_number("123'456'789", locale = locale(grouping_mark = "'"))
[1] 123456789
2. 字符串
用 parse_character() 来解析字符串看起来应该是很简单的，能够直接把输入返回。
但是，生活并不是那么简单的，因为同一个字符串的表示方法有很多种。
为了理解解析时发生了，我们需要深入了解计算机如何来表示字符串的。在 R 中，我们可以使用 charToRaw() 获得字符串的底层表示形式
> charToRaw("Hadley")
[1] 48 61 64 6c 65 79
每个十六进制数代表一个字节的信息，48 表示 H, 61 表示 a 等等。从十六进制数到字符的映射称为编码，在这种情况下编码称为 ASCII。
ASCII 在表示英语字符方面做得很好，因为它是美国信息交换的标准代码
而对于非英文来说，事情就变得更加复杂了点。在计算机早期时代，有许多编码非英语字符的竞争标准，要正确解释一个字符串，您需要同时知道值和编码
例如，两种常见的编码 Latin1(ISO-8859-1，用于西欧语言)和 Latin2(ISO-8859-2，用于东欧语言)。在 Latin1 中，字节 b1 表示 ±，但是在 Latin2 中表示的是 ą。
幸运的是，现在有一个标准几乎在所有地方都能够得到支持：UTF-8。UTF-8 可以编码当今人类使用的几乎所有字符，以及许多额外的符号（比如 emoji）
readr 使用的都是 UTF-8，它假设您的数据在读取时是 UTF-8 编码的，并且在写入时也总是使用它。
如果你的系统不支持 UTF-8 格式（你的机子不会老到这种程度的），那它看起来可能非常奇怪，已经发生了乱码。
看个例子
> x1 <- "El Ni\xf1o was particularly bad this year"
> x2 <- "\x82\xb1\x82\xf1\x82\xc9\x82\xbf\x82\xcd"
> x1
[1] "El Ni\xf1o was particularly bad this year"
> x2
[1] "\x82\xb1\x82\xf1\x82\u0242\xbf\x82\xcd"
非英文字符并未被正确转译
使用 parse_character() 时指定编码格式
parse_character(x1, locale = locale(encoding = "Latin1"))
#> [1] "El Niño was particularly bad this year"
parse_character(x2, locale = locale(encoding = "Shift-JIS"))
#> [1] "こんにちは"
那如果我们不知道字符串的编码方式，要如何解码出正确的字符呢？
如果幸运的话，它会在数据文档中的某个地方。不幸的是，这种情况很少发生，因此 readr 提供了 guess_encoding() 来帮助您解决这个问题
它也并不是万无一失的，当你有大量的文本时效果会更好，但它是一个合理的起点。在找到合适的编码之前，可以尝试几种不同的编码。
> guess_encoding(charToRaw(x1))
# A tibble: 2 x 2
encoding confidence
<chr> <dbl>
1 ISO-8859-1 0.46
2 ISO-8859-9 0.23
> guess_encoding(charToRaw(x2))
# A tibble: 1 x 2
encoding confidence
<chr> <dbl>
1 KOI8-R 0.42
guess_encoding() 的第一个参数可以是文件的路径，也可以是字符串的原始向量
3. 因子
R 使用因子来表示一组所有可能值已知的分类变量。
通过向 parse_factor() 的 levels 参数传入一个已知的向量作为分类向量，当出现意外的值时会生成警告信息
> fruit <- c("apple", "banana")
> parse_factor(c("apple", "banana", "bananana"), levels = fruit)
Warning: 1 parsing failure.
row col expected actual
3 -- value in level set bananana
[1] apple banana <NA>
attr(,"problems")
# A tibble: 1 x 4
row col expected actual
<int> <int> <chr> <chr>
1 3 NA value in level set bananana
Levels: apple banana
4. 时间和日期
你可以根据需要从三个解析器中选择相应的解析器
-
parse_datetime():ISO8601格式的日期和时间，ISO8601是一个国际标准，其中日期的组成部分按从大到小的顺序排列:年、月、日、时、分、秒
[1] "2010-10-01 20:10:00 UTC"
> parse_datetime("20101010")
[1] "2010-10-10 UTC"
-
parse_date(): 接受4位数的年份yyyy-mm-dd或yyyy/mm/dd
> parse_date("2010-10-01")
[1] "2010-10-01"
-
parse_time(): 接受格式hh:mm(:ss am/pm)
> parse_time("01:10 am")
01:10:00
> parse_time("20:10:01")
20:10:01
如果这些默认值不适用于您的数据，您可以提供自己的日期时间格式，由以下几部分组成
Year
-
%Y:4位数字 -
%y:2位数字;00-69 -> 2000-2069,70-99 -> 1970-1999
Month
-
%m:2位数字 -
%b: 简写, 如Jan -
%B: 全称, 如January
Day
-
%d:2位数字 -
%e: 可选的前导空格
Time
-
%H:0-23小时 -
%I:0-12小时, 必须包含%p -
%p:AM/PM -
%M: 分钟 -
%S: 整数秒数 -
%OS: 实数秒数 -
%Z: 时区 -
%z: 相对于UTC的偏移, 如+0800
Non-digits
-
%.: 跳过一个非数字字符 -
%*: 跳过任意个非数字字符
示例
> parse_date("01/02/15", "%m/%d/%y")
[1] "2015-01-02"
> parse_date("01/02/15", "%d/%m/%y")
[1] "2015-02-01"
> parse_date("01/02/15", "%y/%m/%d")
[1] "2001-02-15"
如果 %B 或 %b 使用的是非英语的月份名，你需要用 locale() 设置语言。
详情参见 date_names_langs() 中的内置语言列表，或者如果没有包含你的语言，可以用 date_names() 创建你自己的语言
> parse_date("1 janvier 2015", "%d %B %Y", locale = locale("fr"))
[1] "2015-01-01"
最后，是上节的思考练习。是一位读者写的，我发出来给大家参考参考
(￣▽￣)~*
