R环境下无法成功读取UCI克利夫兰心脏病.data文件的技术求助

• 编码参数错误：目标文件为标准ASCII编码的纯文本，并非UTF-16LE编码，强行指定该编码会导致读取内容全为乱码
• 文件格式误判：该.data文件并非规整的结构化表格，内部夹杂大段数据说明、注释段落，直接调用read.table会因行格式不统一触发解析报错
• 小数分隔符参数错误：文件内数值采用英文句点作为小数分隔，设置dec=","会导致数值解析逻辑完全失效

# 1. 将远程文件下载到本地临时路径，规避远程连接的兼容性问题
temp_data <- tempfile(fileext = ".data")
download.file(
  url = "https://archive.ics.uci.edu/ml/machine-learning-databases/heart-disease/cleveland.data",
  destfile = temp_data,
  quiet = TRUE
)

# 2. 逐行读取原始内容，过滤无效的注释/说明行
raw_content <- readLines(temp_data, encoding = "UTF-8")
# 保留规则：匹配数值/问号/逗号/空白组成的有效行，且分隔符数量满足14列的样本结构要求
valid_sample_lines <- raw_content[
  grepl("^[0-9,?\\s]+$", trimws(raw_content)) & 
  (nchar(trimws(raw_content)) - nchar(gsub(",", "", trimws(raw_content))) == 13)
]

# 3. 将有效样本解析为结构化数据框
heart_disease_data <- read.table(
  text = valid_sample_lines,
  sep = ",",
  header = FALSE,
  na.strings = "?",
  dec = ".",
  stringsAsFactors = FALSE
)

• 不要直接对远程URL创建file连接读取，网络波动、代理限制场景下很容易出现连接中断、编码识别异常，先下载到本地再解析的稳定性远高于直接读远程连接
• 原数据集中缺失值统一用?标识，必须在read.table参数中指定na.strings = "?"，否则特征列会被自动识别为字符类型，无法直接做后续建模分析
• 解析完成后可通过nrow(heart_disease_data)校验，正常应返回303条有效样本，和公开的数据集样本量一致

内容的提问来源于stack exchange，提问作者Tou Mou