如何在R中读取SAS生成的文本(.txt)文件并转为DataFrame？

核心思路 #

这个文本文件是固定宽度格式（SAS常用输出格式），核心是获取每个变量的名称、起止列位置和数据类型，再用R的固定宽度读取工具解析。

步骤1：获取变量布局信息 #

从压缩包的Documentação文件夹找到数据字典（通常是PDF或SAS程序文件），或者解析Input SAS文件夹里的控制文件，提取以下关键信息：

• 变量名
• 列的起始位置
• 列的结束位置（或宽度）
• 数据类型（字符型/数值型）

方法一：手动构建列规范（适合小量变量或精准控制场景） #

用readr包的read_fwf()读取，先手动整理列规则：

# 加载依赖包
library(readr)
library(dplyr)

# 示例：根据数据字典构建列规范（替换为实际变量信息）
col_spec <- tibble(
  col_name = c("ID_ALUNO", "IDADE", "SEXO", "ESCOLARIDADE"),
  start = c(1, 11, 13, 14),
  end = c(10, 12, 13, 16),
  col_type = c("c", "i", "i", "c") # c=字符型，i=整数型，n=数值型
)

# 读取固定宽度文本文件
pense_data <- read_fwf(
  file = "Dados/Base_Pense Completa_2009.txt",
  col_positions = fwf_positions(
    start = col_spec$start,
    end = col_spec$end,
    col_names = col_spec$col_name
  ),
  col_types = paste(col_spec$col_type, collapse = "")
)

# 验证数据结构
glimpse(pense_data)

方法二：自动解析SAS输入控制文件（高效批量处理） #

Input SAS文件夹里的.csv是SAS输入控制文件，包含变量位置定义，直接解析后读取：

library(readr)
library(stringr)

# 读取SAS输入控制文件（替换为实际文件名）
sas_input <- read_csv("Input SAS/[控制文件名].csv", col_names = FALSE)

# 解析控制文件，提取变量名、位置和类型
parsed_spec <- sas_input %>%
  mutate(
    col_name = str_extract(X1, "^\\w+"), # 提取变量名
    position = str_extract(X1, "\\d+(-\\d+)?") # 提取位置信息（如1-10或10）
  ) %>%
  separate(position, into = c("start", "end"), sep = "-", fill = "right") %>%
  mutate(
    start = as.integer(start),
    # 处理宽度格式（如变量名 10 等价于start到start+9）
    end = ifelse(is.na(end), start + as.integer(str_extract(X1, "(?<=\\s)\\d+$")) - 1, as.integer(end)),
    col_type = ifelse(str_detect(X1, "\\$"), "c", "i") # 带$标记的是字符型
  ) %>%
  filter(!is.na(col_name)) # 过滤无效行

# 读取数据
pense_data <- read_fwf(
  file = "Dados/Base_Pense Completa_2009.txt",
  col_positions = fwf_positions(
    start = parsed_spec$start,
    end = parsed_spec$end,
    col_names = parsed_spec$col_name
  ),
  col_types = paste(parsed_spec$col_type, collapse = "")
)

后续优化 #

• 用labelled包给变量添加语义标签（参考数据字典）：

  library(labelled)
  var_labels(pense_data$IDADE) <- "Idade do aluno em anos"
  var_labels(pense_data$SEXO) <- "Sexo do aluno (1=Masculino, 2=Feminino)"
  

• 处理缺失值：根据数据字典定义的缺失编码（如99、-9等）替换为NA：

  pense_data <- pense_data %>%
    mutate(IDADE = na_if(IDADE, 99))
  

内容的提问来源于stack exchange，提问作者Lana Meijinhos