Una solución bastante elegante con tidyr
.
La idea es leer a todo el archivo de text con readLines
, de modo que cada línea sea un elemento en un vector de cadenas de caracteres. Pasar rápidamente a ese vector a un data.frame y usar dplyr
+ tidyr
para limpiar y separar los datos.
con <- file("190068 B. Juarez.txt", blocking = FALSE) #Abres al archivo como una conexión, si no se complica para encontrar el fin del archivo.
readLines(con, encoding = "UTF-8") -> foo #Y lo lees línea por línea
close(con)
tibble(crudo = foo) %>%
filter(str_detect(crudo, "^A|^[0-9]")) %>% #Dejo solo las filas que me interesan
mutate(año = str_detect(crudo, "^A"),
dato = str_detect(crudo, "^[0-9]")) %>% #Dos vectores lógicos para identificar filas año y filas dato
group_by(cumsum(año)) %>% #El cumsum crea los grupos para cada año
mutate(año = str_match(crudo[1], "(\\d{4})")[1]) %>% #Extraigo el año (la parte numérica de esa cadena) y la paso a columna nueva, por grupo_by cambia de año para cada grupo
ungroup() %>%
filter(dato) %>% #Quito las filas fecha, ya no las necesito
separate(crudo, into = nombres_columna, sep = ";") %>% #Acá está la magia: separo en columnas definidas por ";"
select(Día:año) %>% #Saco las columnas que ya no necesito.
pivot_longer(Ene:Dic, #Pivoteo para pasar a formato largo
names_to = "Mes",
values_to = "Precipitaciones")
1ra solución, mucho más complicada
Le encontré una solución. Son espantosos los archivos con los que están distribuyendo esos datos, así que la solución a fuerzas tiene que ser un Frankenstein. En este caso hay una mezcla de tidyverse con R base que se podría estandarizar mejor para hacer más mantenible al código.
Trato de explicarla en los comentarios, pero sigue siendo complicada porque usa expresiones regulares e iteración sobre listas.
La idea es leer a cada línea del archivo como un vector, luego separar a los datos (precipitaciones por día y mes) de los años a los que corresponden, luego dentro de cada línea/día con datos separar los datos de cada mes y finalmente volver a juntar todo.
library(tidyverse)
con <- file("190068 B. Juarez.txt", blocking = FALSE) #Abres al archivo como una conexión, si no se complica para encontrar el fin del archivo. Modifica el path si es diferente.
readLines(con, encoding = "UTF-8") -> foo #Y lo lees línea por línea
close(con) #Cierras la conexión
foo
# Estos serán los nombres de columna del data.frame
nombres_columna <- c("Día","Ene","Feb","Mar","Abr","May","Jun","Jul","Ago","Sep","Oct","Nov","Dic")
# Aquí te quedas con el cuerpo de los datos, todas las líneas que empiezan con un número.
foo [grep("^[0-9]", foo)] -> cuerpo
# Y aquí con las líneas que tienen el año, empiezan con A mayúscula
foo [grep("^A", foo)] -> año
# Y te quedas solo con la parte numérica, el año.
gsub(".*?([0-9]+).*", "\\1", año) -> año
# Complicado: detectas cada línea que empieza con un 1 (primer día del año)
# Luego lo usas como inicio para una suma acumulada (los no 1 son FALSE y suman 0)
# Y usas ese vector para separar a los datos de cada años en un lista
split(cuerpo, cumsum(grepl("^1;", cuerpo))) -> lista_años
# Nombras la lista, cada bloque pertenece a un año y está en la misma secuencia de la suma acumulada
names(lista_años) <- año
# Tomas la lista
lista_años %>%
#Iteras para separar a cada línea (vector) en elementos separados usando el patrón ";"
#TE queda una lista dentro de una lista
map(~str_split(.x, pattern = ";") %>%
# Dentro del map a esa "lista interna" le aplicas rbind para convertirla en una matriz. No sé porque funciona, misterios de R base.
do.call("rbind", .) %>%
# La coercionas a data.frame
as.data.frame %>%
# Después le pones los nombres de columna que ya tenías
setNames(nombres_columna)) %>%
#Ya fuera del map juntas todos esos data.frame en uno solo
bind_rows(.id = "año") -> df_ancho
# Para el resultado final pivoteas los datos y ya.
df_ancho %>%
select(-...14) %>%
pivot_longer(cols = Ene:Dic, names_to = "Mes", values_to = "Precipitaciones")
Y te que esto:
A tibble: 1,860 × 4
año Día Mes Precipitaciones
<chr> <chr> <chr> <chr>
1 2018 1 Ene S/P
2 2018 1 Feb S/P
3 2018 1 Mar S/P
4 2018 1 Abr S/P
5 2018 1 May S/P
6 2018 1 Jun 1,0
7 2018 1 Jul 0,2
8 2018 1 Ago S/P
9 2018 1 Sep S/P
10 2018 1 Oct S/P
# … with 1,850 more rows
Quizás sea más simple en algún paso intermedio escribir un .csv decente y leerlo, pero con esta solución no dependes de privilegios de escritura.