如何在首元素为空时正确读取文件中的列（Julia）

问题描述 #

现有数据文件data.txt，内容如下：

a  
5 b 
3 c 7

希望将其加载为如下3×3矩阵：

3×3 Matrix{Any}:
 ""   "a"  ""
 5  "b"  ""
 3  "c"  7

使用DelimitedFiles.readdlm时，会将首行的"a"识别为第一个元素，无法保留首列的空值；使用readlines读取行后，不知道如何处理空元素的识别。

方法一：手动处理行数据 #

利用readlines读取所有行后，根据每行的元素数量补全空字段，并转换数据类型：

# 读取文件所有行
lines = readlines("data.txt")

# 处理每行，补全空字段
processed_lines = map(lines) do line
    # 拆分非连续空格分隔的元素
    elems = split(strip(line), r"\s+")
    # 根据元素数补全对应位置的空值
    length(elems) == 1 ? ["", elems[1], ""] :
    length(elems) == 2 ? [elems[1], elems[2], ""] :
    elems
end

# 转换为矩阵
loaded_data = hcat(processed_lines...)' |> collect

# 将可转换为整数的字符串转为数值类型
for i in eachindex(loaded_data)
    try
        loaded_data[i] = parse(Int, loaded_data[i])
    catch
        # 转换失败则保留原字符串
    end
end

运行后即可得到目标矩阵。

方法二：使用固定宽度文件专用包（FixedWidthFiles） #

如果数据是严格按列宽对齐的，推荐使用FixedWidthFiles包处理，更准确可靠：

1. 安装包：

using Pkg
Pkg.add("FixedWidthFiles")

2. 定义列宽格式并读取：

using FixedWidthFiles

# 定义各列的位置范围（根据实际数据调整）
schema = FixedWidthSchema(
    (col1, String, 1:2),  # 第一列占第1-2个字符
    (col2, String, 3:4),  # 第二列占第3-4个字符
    (col3, String, 5:6)   # 第三列占第5-6个字符
)

# 读取固定宽度文件
df = read_fwf("data.txt", schema)

# 转换为矩阵并处理空值和数据类型
loaded_data = Matrix(df)
for i in eachindex(loaded_data)
    stripped_str = strip(loaded_data[i])
    loaded_data[i] = isempty(stripped_str) ? "" : tryparse(Int, stripped_str) |> something(stripped_str)
end

这种方法更适合结构化的固定宽度数据，避免手动判断元素位置的误差。

内容的提问来源于stack exchange，提问作者Bebotron