如何将多个（excel）文件读入R？ [复制]

Posted 2023-02-22

【中文标题】如何将多个（excel）文件读入R？ [复制]

【英文标题】：How can I read multiple (excel) files into R? [duplicate]

【发布时间】：2015-12-29 13:51:09

【问题描述】：

我有数百个中等大小的 Excel 文件（5000 到 50.0000 行，大约 100 列）要加载到 R 中。它们具有明确定义的命名模式，例如 x_1.xlsx、x_2.xlsx 等。

如何以最快、最直接的方式将这些文件加载​​到 R 中？

【参考方案1】：

使用list.files，您可以创建工作目录中所有文件名的列表。接下来，您可以使用lapply 循环遍历该列表并使用readxl 包中的read_excel 函数读取每个文件：

library(readxl)
file.list <- list.files(pattern='*.xlsx')
df.list <- lapply(file.list, read_excel)

此方法当然也可以与read.csv 或read.table 等其他文件读取功能一起使用。只需将read_excel 替换为适当的文件读取功能，并确保在list.files 中使用正确的模式。

如果您还想将文件包含在子目录中，请使用：

file.list <- list.files(pattern='*.xlsx', recursive = TRUE)

其他可能的读取 Excel 文件的软件包：openxlsx & xlsx

---

假设每个文件的列都相同，您可以将它们绑定到一个数据框中，使用来自dplyr 的bind_rows：

library(dplyr)
df <- bind_rows(df.list, .id = "id")

或与rbindlist 来自data.table：

library(data.table)
df <- rbindlist(df.list, idcol = "id")

两者都可以选择添加id 列来识别单独的数据集。

---

更新：如果您不想要数字标识符，只需使用sapply 和simplify = FALSE 来读取file.list 中的文件：

df.list <- sapply(file.list, read.csv, simplify=FALSE)

当使用来自dplyr 的bind_rows 或来自data.table 的rbindlist 时，id 列现在包含文件名。

甚至另一种方法是使用purrr-package：

library(purrr)
file.list <- list.files(pattern='*.csv')
file.list <- setNames(file.list, file.list) # only needed when you need an id-column with the file-names

df <- map_df(file.list, read.csv, .id = "id")

---

获取命名列表的其他方法：如果您不想要一个数字标识符，则可以在将它们绑定在一起之前将文件名分配给列表中的数据框。有几种方法可以做到这一点：

# with the 'attr' function from base R
attr(df.list, "names") <- file.list
# with the 'names' function from base R
names(df.list) <- file.list
# with the 'setattr' function from the 'data.table' package
setattr(df.list, "names", file.list)

现在您可以使用 data.table 中的 rbindlist 或 dplyr 中的 bind_rows 将数据帧列表绑定到一个数据帧中。 id 列现在将包含文件名而不是数字标识符。

【讨论】：

具有读取一种文件的两个函数的包，哈德利这次肯定超越了自己。

@rawr 确实，例如，他可以将其集成到他的 readr 包中

在 R 中工作可以如此优雅......这确实是一种干净而简单的方法。然而，不幸的是，我正在努力解决这个错误：[link] (github.com/hadley/readxl/issues/80) 所以我可能不得不使用（非常）慢的read.xlsx 函数......这有点痛苦。话虽如此：有没有一种方法可以将 xlsx 转换为 .csv 而无需逐个打开和保存每个文件？

read.xlsx 可能会更慢，但这是一个您可以并行运行的过程，只要所有内核都在本地计算机上（或者可以访问相同的共享目录，也许)。这至少可以弥补一些失去的时间。警告：我之前没有尝试过并行读取文件，但没有看到它不应该工作的原因 - 再次，只要所有内核都在同一台机器上。

@ManuelS 作为替代方案，您可以使用openxlsx-package 中的read.xlsx 函数，而不是xlsx-package 中的read.xlsx 函数。