RStudio读取ARFF格式数据集触发向量类型NULL报错如何解决

• 报错核心触发点定位：你看到的'data' must be of a vector type, was 'NULL'错误，90%概率是取值写法错误导致的：farff::readARFF、RWeka::read.arff、foreign::read.arff三个接口读取正常时，返回值直接是data.frame类型，不存在嵌套的$data子元素。你写data$data相当于从读入的data.frame里找名为data的列，找不到就会返回NULL，把NULL传给data.matrix()必然触发这个报错，和ARFF文件本身、读取参数大概率没关系。
• 排除写法问题后，按以下顺序校验读取链路：
  • 每次读取完成后先执行str(你的读入变量名)，确认返回值不是NULL，列数是120、所有列是numeric类型，没有出现读入空表、列类型错位的问题。
  • 不要硬编码skip=122跳行：ARFF头部除了固定的@relation、@attribute、@data行，可能存在%开头的注释行、空行，不同工具导出的头部行数不固定，硬编码跳行很容易把元数据行读入数据区，导致整张表读错。
  • 校验文件格式：打开ARFF文件检查@data段后是否存在非数值内容（比如缺失值占位符?、字符串标注、行尾多余逗号），如果存在非数值内容，读取时会自动把列转成character类型，但不会触发NULL报错。
  • 校验文件编码：Windows环境下生成的ARFF可能带BOM头、使用GBK编码，会导致读取函数无法识别@开头的元数据标记，返回空对象。

• 方案1：使用标准ARFF读取接口（优先推荐）

# 清理环境中之前错误赋值的data变量，避免干扰
rm(data)
library(farff)
# 替换为你自己的ARFF文件绝对路径
data <- readARFF(
  file = "path/to/your/DT_mat.arff",
  colClasses = rep("numeric", 120),
  repair.names = TRUE
)
# 读取后做合法性校验
stopifnot(is.data.frame(data), ncol(data) == 120)
# 直接转矩阵即可，不要写data$data
data_mat <- data.matrix(data)

• 方案2：逐行解析绕开第三方包兼容问题（如果方案1读取失败用这个）

# 逐行读入文件，自动过滤空行
all_lines <- readLines("path/to/your/DT_mat.arff", warn = FALSE)
all_lines <- trimws(all_lines[nzchar(trimws(all_lines))])
# 自动定位@data标记的位置，不需要硬编码跳行数
data_start_idx <- which(tolower(all_lines) == "@data") + 1
data_content <- all_lines[data_start_idx:length(all_lines)]
# 按逗号分隔转成数值矩阵
data_mat <- do.call(
  rbind,
  lapply(strsplit(data_content, ","), function(line) as.numeric(trimws(line)))
)
# 按定义设置列名
colnames(data_mat) <- paste0("V", 1:120)

• 特殊场景适配：
  • 如果读入报编码错误，在readARFF或readLines里加encoding = "UTF-8-BOM"或encoding = "GBK"参数即可。
  • 如果文件里用?标记缺失值，转数值时会自动转成NA，不影响矩阵生成。
  • 如果读入后发现列数不对，检查@data段是否有行尾多打逗号的情况，删掉多余逗号即可。

内容的提问来源于stack exchange，提问作者ttina