用 readr 清洗 CSV 类型、缺失值并验证回读

把 CSV 读成一个数据框，只是数据导入的开始。接下来还要确认：列名是否便于使用，缺失值有没有被当成普通文本，年龄这样的数值列为何成了字符，以及保存后的文件重新读入时是否仍保留所需的类型。

本文完整译写《R for Data Science》第二版第 7 章的技术内容，围绕这些问题展开，并保留其他分隔格式、多文件导入、手工录入和练习。原作者为 Hadley Wickham、Mine Çetinkaya-Rundel、Garrett Grolemund。核对的是 2026-10-05 可读的在线章节；该页已出现 readr 2.2.0 的字面数据警告，本文据此统一调整内联 CSV 的写法。下列代码仅静态审查，未在本次执行。

从一份看得见原始内容的 CSV 开始

CSV 是逗号分隔值文件，通常第一行是列名，之后每行是一条记录。readr 属于 tidyverse 的核心包，可用 library(tidyverse) 载入；下文还使用 dplyr 与 tibble。janitor 是额外的包，并不随 tidyverse 一同附加，使用其函数前需保证它已安装。

原书的学生示例包含五列、六行数据。为了让练习不依赖外部下载，下面把原文完整的 CSV 内容放在字符串中；这只改变了输入方式，字段和数据保持原样。

library(tidyverse)

students_csv <- "Student ID,Full Name,favourite.food,mealPlan,AGE
1,Sunil Huffmann,Strawberry yoghurt,Lunch only,4
2,Barclay Lynn,French fries,Lunch only,5
3,Jayendra Lyne,N/A,Breakfast and lunch,7
4,Leon Rossini,Anchovies,Lunch only,
5,Chidiegwu Dunkel,Pizza,Breakfast and lunch,five
6,Güvenç Attila,Ice cream,Lunch only,6"

students_raw <- read_csv(I(students_csv))
students_raw

I() 明确告诉 readr：这里传入的是字面数据，而不是文件名。原章节的部分内联示例没有加它，页面自身展示了 readr 2.2.0 起应使用 I() 的警告，所以本文对所有字面 CSV 做相同修正。真正的文件路径不需要这样包装。

# 使用项目里已有的文件时，原书的写法是：
students <- read_csv("data/students.csv")

该相对路径要求当前项目里存在 data/students.csv。原书还提供了示例下载链接，并说明 read_csv() 可以直接接收 URL。本文练习使用上面的内联数据，本次没有读取该外链数据文件。

原书读入提示为 6 行、5 列，分隔符是逗号；Student ID 被推断为双精度数值，其他四列都是字符。提示还告诉你可用 spec() 查看完整列规范，或用 show_col_types = FALSE 隐藏类型提示。先检查再决定是否隐藏：年龄列成为字符正是需要关注的信号。

统一缺失编码、列名和业务类型

favourite.food 中的 N/A 表示缺失，却被读成了普通字符串；第 4 行年龄的空白则已经是缺失值。用 na 明确声明这份文件的缺失编码：

students <- read_csv(
  I(students_csv),
  na = c("N/A", "")
)

现在第 3 行食物和第 4 行年龄都会是 R 的 NA。注意，显式传入 na 是指定一个新的标记集合；若真实文件也用字面字符串 "NA" 表示缺失，应把它一并写入，例如 na = c("", "NA", "N/A")。不要把“这份示例里只有空白被默认识别”误写成 readr 的默认值只包含空白。

列名 Student ID 与 Full Name 中有空格，不符合 R 通常的语法名称规则，引用时要加反引号。可以手工重命名：

students |>
  rename(
    student_id = `Student ID`,
    full_name = `Full Name`
  )

这段管道只返回重命名后的结果，不会自动修改原对象。若要继续使用改名结果，需要赋值。另一种办法是 janitor::clean_names()，它用启发式规则统一成小写蛇形命名；本例五个列名会变成 student_id、full_name、favourite_food、meal_plan 和 age。

meal_plan 是已知类别的变量，可以转成因子。显示值仍是原来的字符串，列类型会从 <chr> 变为 <fct>。年龄列出现英文单词 five，导致整列成为字符；在这个已知教学输入中，把它明确改成 "5" 后再解析为数值：

students <- students |>
  janitor::clean_names() |>
  mutate(
    meal_plan = factor(meal_plan),
    age = parse_number(if_else(age == "five", "5", age))
  )

if_else() 的第一个位置参数给出条件，条件为真时取第二个参数，否则取第三个；这里就是只替换精确等于 "five" 的值。按原文数据，清理后的年龄应为 4, 5, 7, NA, 5, 6，食物列仍有一个缺失值。这是对原文数据和展示结果的说明，不是本次运行报告。

静态审查补充：原书使用的 parse_number() 很宽松，会忽略数值周围的非数值部分，适合货币等文本，却不等于严格的年龄验证。对于必须是纯数字的年龄字段，可以在完成有依据的替换后改用 parse_double()，并检查解析问题及允许的年龄范围。也不能未经业务确认就把所有英文数字或异常文本自动改掉。原文用来解释位置参数的 “test/yes/no” 不是建议照抄的命名参数；dplyr 的正式参数名是 condition、true、false。

表头、注释和分隔格式

有些 CSV 顶部带有说明行，可以用 skip 跳过；有些带有注释标记，可以用 comment 指定。下面保留原文的两种情形，并加上 I()：

read_csv(
  I("The first line of metadata
The second line of metadata
x,y,z
1,2,3"),
  skip = 2
)

read_csv(
  I("# A comment I want to skip
x,y,z
1,2,3"),
  comment = "#"
)

两者都意在得到列名 x, y, z 和一行数值。若数据本身会包含 #，不要在未检查文件格式时随意把它设为注释字符，否则可能丢弃本来需要的内容。

没有表头时，指定 col_names = FALSE，readr 会生成 X1、X2 等列名；也可以直接提供列名向量。指定列名后，第一行会作为数据读入：

read_csv(I("1,2,3\n4,5,6"), col_names = FALSE)
read_csv(
  I("1,2,3\n4,5,6"),
  col_names = c("x", "y", "z")
)

掌握 read_csv() 后，其他平面文本格式主要是选择合适的入口函数：

类型推断是便利工具，也需要复核

CSV 不保存“这是逻辑值”“这是因子”这样的 R 类型信息。readr 采用启发式推断：原章节说明，它默认从首行到末行均匀抽取至多 1,000 行的值，忽略缺失值后判断类型；可用 guess_max 调整抽样数量。

如果一列只有 F、T、FALSE、TRUE，且不区分大小写，就推断为逻辑值；如果都是 1、-4.5、5e6、Inf 这样的数字，就推断为数值；符合相应 ISO 8601 格式的值可能被推断为日期或日期时间；否则通常成为字符串。

read_csv(I("logical,numeric,date,string
TRUE,1,2021-01-15,abc
false,4.5,2021-02-15,def
T,Inf,2021-02-16,ghi"))

原文此例的四列分别为逻辑、双精度、日期和字符。干净的小样例容易判断，大文件中的异常值却可能没有进入抽样。因此，类型提示和后续解析警告都值得查看；增加 guess_max 也不能代替明确的数据规范。

先让问题暴露，再决定如何修正

最常见的推断失败之一，是数值列混入了意外字符串。例如某份文件用句点表示缺失：

simple_csv <- "x
10
.
20
30"

read_csv(I(simple_csv))

此时 x 会成为字符列。只有四行时一眼就能发现句点；几千行中只有几个这样的值时，可以先要求它按数值解析，让 readr 报告不符合约定的位置：

df <- read_csv(
  I(simple_csv),
  col_types = list(x = col_double())
)
problems(df)

原文示例报告第 3 行、第 1 列的问题：期望 a double，实际读到 .。这里的行号包含表头，因此对应第二条数据；file 字段可能显示内部临时文件路径，不必把该随机路径视为数据内容。强制类型使异常值变成解析失败，不代表异常已经被正确处理。

在确认这份文件确实以句点表示缺失之后，再把它声明为缺失标记：

read_csv(I(simple_csv), na = ".")

原文结果此时为数值列 10, NA, 20, 30。这段代码刻意只指定句点；真实文件若还有空白或 NA 等缺失编码，应按实际规则把它们一起列入。不能为了消除警告，把所有读不懂的内容都列成缺失值。

明确指定列类型，或先按字符保留原貌

原章介绍的列规格包括：col_logical()、col_double()、col_integer()、col_character()、col_factor()、col_date()、col_datetime()、宽松的 col_number()，以及跳过某列的 col_skip()。

整数在适用范围内比双精度数值节省存储空间，但数据语义更重要。电话号码、信用卡号或其他长数字标识符通常应该是字符：它们不适合算术运算，前导零也不应丢失。col_skip() 可以避免读入不需要的大列。

当推断结果混乱时，可以先将所有列按字符读取，再逐列处理。这能保留原始文本，并且把清洗决定写在代码里：

another_csv <- "x,y,z
1,2,3"

read_csv(
  I(another_csv),
  col_types = cols(.default = col_character())
)

# 只读指定列，其余列跳过
read_csv(
  I(another_csv),
  col_types = cols_only(x = col_character())
)

cols(.default = ...) 与只列出几个例外的 list(...) 不同：它明确改变其他列的默认处理方式。cols_only() 则只保留列出的字段。无论采用哪种方案，都应核对行数、列名、类型以及 problems()，再进入分析。

多份文件合并时保留来源

月度销售数据常拆成多个文件。如果这些文件结构兼容，可以把路径向量传给 read_csv()，把各文件按行堆叠：

# 前提：这些是项目中已存在、结构兼容的文件
sales_files <- c(
  "data/01-sales.csv",
  "data/02-sales.csv",
  "data/03-sales.csv"
)
sales <- read_csv(sales_files, id = "file")

id = "file" 增加一个来源列，记录每行来自哪个文件。原书示例合并成 19 行、6 列，包含来源、月份、年份、品牌、商品和数量；这一规模来自原文，本文没有下载或运行这组文件。原文对应的三个来源为 一月、二月、三月，也可以把这些 URL 放入同样的路径向量。

文件很多时可以用 list.files() 筛选：

sales_files <- list.files(
  "data",
  pattern = "sales\\.csv$",
  full.names = TRUE
)
sales_files

正则里的 \\. 匹配字面句点，$ 限定文件名结尾；full.names = TRUE 返回带目录的路径。先检查这个列表是否为空、是否混入旧导出文件，再读取。若各月同名字段的业务含义或类型发生变化，应先解决这些差异，不能以“成功合并”代替数据核对。

保存后，读回来再检查

write_csv() 和 write_tsv() 把数据框写回文本文件，主要参数是对象 x 和路径 file；na 控制缺失值写法，append 控制是否追加。写文件会产生磁盘副作用，默认写入同名目标可能覆盖已有文件，因此下列回读练习改用新的临时文件路径。这是相对原文固定文件名示例的保护性调整，本次未执行。

csv_path <- tempfile(fileext = ".csv")
write_csv(students, csv_path)
csv_back <- read_csv(csv_path)

class(students$meal_plan)
class(csv_back$meal_plan)
problems(csv_back)

原书展示：写出前 meal_plan 是因子，直接回读 CSV 后成为字符。显示的值可能一样，但因子水平及类型信息没有保存在 CSV 中。CSV 适合文本交换，却不能保证保存任意 R 对象的完整结构。

若需要重建该因子，应在回读时显式给出类型。下面是本文补充的可审查回读检查，预期检查内容写在代码中，不把它冒充已经通过的测试：

csv_back <- read_csv(
  csv_path,
  na = c("", "NA"),
  col_types = cols(
    student_id = col_double(),
    full_name = col_character(),
    favourite_food = col_character(),
    meal_plan = col_factor(levels = levels(students$meal_plan)),
    age = col_double()
  )
)

stopifnot(
  nrow(problems(csv_back)) == 0L,
  identical(names(csv_back), names(students)),
  nrow(csv_back) == nrow(students),
  identical(levels(csv_back$meal_plan), levels(students$meal_plan)),
  identical(as.list(csv_back), as.list(students))
)

这里比较各列的内容与属性，避开 readr 返回对象中解析规格等附加元数据造成的无关差异。该检查针对本例这几个简单列；金额精度、时区、字符编码等问题仍应依各自数据规范补充检查。

若只是在 R 内缓存中间结果，可以使用 RDS。readr 的 write_rds() 和 read_rds() 分别封装 base R 的 saveRDS() 与 readRDS()，以 R 的二进制序列化格式保存对象结构。原书回读示例保留了因子类型。

rds_path <- tempfile(fileext = ".rds")
write_rds(students, rds_path)
rds_back <- read_rds(rds_path)

# 本文补充；未执行的回读检查
stopifnot(
  identical(as.list(rds_back), as.list(students)),
  identical(class(rds_back), class(students))
)

跨语言交换还可以考虑 Arrow 支持的 Parquet。原书用 write_parquet()、read_parquet() 演示，并指出它在许多情形下比 RDS 更快，但需要额外的 arrow 包。性能取决于实际数据和环境，本文没有做基准测试；跨语言处理 R 特有类型时，也应核对对应元数据。

# 需要已安装 arrow；此示例同样未执行
parquet_path <- tempfile(fileext = ".parquet")
arrow::write_parquet(students, parquet_path)
parquet_back <- arrow::read_parquet(parquet_path)

少量数据也可以直接录入代码

为了写示例、最小复现或小型查找表，不一定需要另建 CSV。tibble() 按列组织数据；tribble() 是 transposed tibble 的缩写，按行书写，列名前加 ~，各值用逗号分隔。两种形式表达同一个小表：

tibble(
  x = c(1, 2, 5),
  y = c("h", "m", "g"),
  z = c(0.08, 0.83, 0.60)
)

tribble(
  ~x, ~y, ~z,
   1, "h", 0.08,
   2, "m", 0.83,
   5, "g", 0.60
)

把原章练习留作检查清单

1. 若字段用竖线 | 分隔，应选择哪个读取函数？提示：考虑 read_delim() 的 delim 参数。
2. 除了 file、skip、comment，read_csv() 和 read_tsv() 还有哪些共同参数？核对两者文档，而不是靠记忆复制。
3. read_fwf() 的关键参数是什么？尝试分别从列宽和起止位置描述字段。
4. 字符串本身含逗号时，需要正确的引用字符。对 "x,y\n1,'a,b'"，应设置哪一个参数？此例需要识别单引号，可检查 quote。
5. 检查下面五段有意构造的 CSV：列数多于表头、记录列数不一致、引号未闭合、数值列混入文字，以及分隔符用错。不要把解析警告简单隐藏。

read_csv(I("a,b\n1,2,3\n4,5,6"))
read_csv(I("a,b,c\n1,2\n1,2,3,4"))
read_csv(I("a,b\n\"1"))
read_csv(I("a,b\n1,2\na,b"))
read_csv(I("a;b\n1;3"))

第六项练习是练习引用非标准列名：用下面的数据提取名为 1 的列，画 1 与 2 的散点图，创建 3 = 2 / 1 的列，再把三列改成 one、two、three。反引号用于引用列名，不能与字符串引号混淆。

annoying <- tibble(
  `1` = 1:10,
  `2` = `1` * 2 + rnorm(length(`1`))
)

这段练习含随机数据，不同运行不会产生完全相同的散点。本文仅保留题目，没有执行这些故意异常的输入。

学会读取 CSV 之后，后续还会遇到 Excel、Google Sheets、数据库、Parquet、JSON 和网页数据。这里建立的习惯仍适用：保留输入来源，先诊断再清洗，明确类型与缺失规则，并把保存回读作为独立的验证步骤。

来源、许可与改写说明

原文为 Hadley Wickham、Mine Çetinkaya-Rundel、Garrett Grolemund 所著 R for Data Science (2e), Chapter 7: Data import。全书首页注明 CC BY-NC-ND 3.0。此处保留原公开许可、作者与原链接；不把 ND 本身解释为授予翻译改编权。译者补充与来源正文已区分。

版本与参数补充核对官方 readr 2.2.0 读取 API 和 dplyr if_else API；后者当前页面显示 1.2.1。

本文没有推定章节的首次发布日期。与原文相比，统一给字面数据加 I()，用内联学生数据及临时输出路径便于独立审阅，明确区分缺失声明与解析失败，纠正 if_else() 参数名称解释，并补充回读检查。所有结果叙述均来自原文或明确标注的静态推理，未声称通过运行测试。