3. 数据导入与导出：readr 和 readxl 包读取 CSV、Excel、文本文件

做特征工程，第一步就是把数据拉进 R 里。这个问题我见过太多新手卡在导入环节——明明文件在桌面，代码就是报错。其实大部分时候不是代码错了，是你对包的脾性不了解。

这一章我们只聊两个包：readr 和 readxl。为什么不用 base R 的 read.csv()？说白了，base 那套太慢了。我之前处理一个 2GB 的 CSV，read.csv() 跑了快两分钟，换成 read_csv() 十几秒就结束了——类型推断还更准。

3.1 readr：CSV 和文本文件的正确姿势

readr 是 tidyverse 的核心成员。它最讨喜的地方是什么？你不需要老惦记着 stringsAsFactors = FALSE。默认字符串就是字符串，不会自动转因子。我刚切到 tidyverse 那会儿，这省了我大量 debug 时间。

3.1.1 基本读取：read_csv()

最常用的函数。看个例子：

library(readr)
data <- read_csv("data/train.csv")

结果会打印列名和类型，顺便告诉你用了多少种推断方式。我个人习惯加上 col_types 参数，尤其是在生产脚本里——指定类型可以避免字符列被当成数字。

参数	作用	我常用的值
col_types	手动指定每列类型	cols(Col1 = col_double(), Col2 = col_character())
skip	跳过前 N 行（比如注释行）	skip = 3
na	指定哪些字符串算缺失值	na = c("", "NA", "NULL")
locale	处理编码、日期格式	locale(encoding = "UTF-8")

3.1.2 自定义分隔符：read_delim()

有些文本文件用制表符、分号甚至竖线分隔。这时候用 read_delim()。我遇到过一个项目，日志文件用 | 做分隔，字段里还带着逗号。当时我就这么写：

log_data <- read_delim("server.log", delim = "|",
                       col_names = c("time", "level", "msg"),
                       escape_backslash = TRUE)

注意 escape_backslash 参数。如果你的字段里带有引号或者反斜杠，记得打开它，不然解析会莫名其妙地错位。

3.1.3 固定宽度文件：read_fwf()

处理基因数据或者旧式会计记录的时候，你可能会碰到固定宽度的文本。读它也不难：

fwf_data <- read_fwf("positions.txt",
                      fwf_widths(c(10, 12, 8),
                                 col_names = c("chr", "start", "end")))

或者用 fwf_positions() 指定起始和结束位置，更容易调试。

3.2 readxl：Excel 文件不再是噩梦

以前用 xlsx 包，还得装 Java，每次报错都让人崩溃。后来我全面换成了 readxl，无依赖、纯 C++，舒服多了。

3.2.1 读单个 sheet：read_excel()

library(readxl)
sales <- read_excel("report.xlsx", sheet = "Jan2025")

sheet 可以传名字也可以传数字索引。我有一个习惯：先 excel_sheets("report.xlsx") 预览所有 sheet 名字，再决定读哪个。曾经有一次我团队同事直接传数字 2，结果两个月后源文件多了一个隐藏 sheet，索引全乱了——从此我只用名字。

3.2.2 跳过无用行 & 指定范围

Excel 表头有时候特别乱，前几行是标题、logo 甚至空行。用 skip 和 n_max：

clean_data <- read_excel("messy.xlsx", skip = 3, n_max = 1000)

如果你想只读取某个范围，用 range 参数。比如 range = "A1:F50"，不常用的功能但偶尔救命。

3.2.3 列类型推断

Excel 里日期列经常被读成数字（Excel 的序列号）。你可以在 read_excel() 里指定 col_types，类似 readr：

# "date" 会让 readxl 按日期解析
orders <- read_excel("orders.xlsx",
                     col_types = c("text", "date", "numeric", "skip"))

这里的 "skip" 表示跳过该列。如果你有一列完全没用，直接 "skip" 能省内存。我记得有一次处理一个 50MB 的 Excel，每列都读进来，R 内存飙到 3GB。后来只读需要的 4 列，内存降到 600MB。嗯，这个经验花了一上午才教训到。

3.3 数据导出：写回 CSV 和 Excel

特征工程做完，总要保存中间结果。导出时我优先用 readr 的 write_csv()，而不是 base 的 write.csv()——后者默认写行号，还会把字符列自动加引号，文件体积大。看对比：

# 推荐
write_csv(features, "features.csv")
# 不推荐
write.csv(features, "features.csv", row.names = FALSE)

如果要写 Excel，我一般用 writexl 包，它和 readxl 互补：

library(writexl)
write_xlsx(list(training = train, testing = test), "output.xlsx")

这个 list 的用法特别适合分 sheet 导出。我常把特征处理前的数据和处理后的数据放在同一个 Excel 的不同 sheet 里，给业务方 review，他们不用打开两个文件。

3.4 对比总结：readr / readxl vs. 传统方案

特性	readr / readxl	base R / xlsx
速度（大文件）	快（C++ 底层）	慢（R 级别解析）
类型推断	自动，可手动覆盖	粗放，需手调
内存使用	更高效	容易膨胀
字符串默认行为	保持字符，不转因子	自动转因子
Excel 依赖	无 Java 依赖	需 Java/JDK
进度条	有（大文件可见）	无

3.5 知识流程图：数据导入导出的技术路线

这张图展示了数据从外部文件到特征工程的全路径。你不需要记住所有函数，只要记住：CSV 和 txt 找 readr，Excel 找 readxl。其他都是参数微调。等你多踩两次坑，自然就形成自己的模板了。