rio和haven从SPSS导入时，随机将日期列中的NA解释为1582-10-14

to94eoyn 于 2023-03-20 发布在其他

关注(0)|答案(1)|浏览(135)

我正在从SPSS导入数据（sav文件）。在这个数据集中有几个日期列，其中几个包含有缺失值的单元格。所有日期列都作为日期变量导入到R中，到目前为止一切顺利。来自SPSS的所有日期条目都正确导入到R中，到目前为止仍然一切顺利。然而，SPSS中的一些缺失值在导入到R时被解释为1582-10-14。我知道这是公历的开始，所以我想也许SPSS中的一些单元格是0而不是NA，但当检查所说的单元格时，它们实际上是空的，并且看起来与在R中被正确导入为NA的其它空单元完全相同。
我很抱歉我想不出一个可复制的例子，我不能把我的SPSS文件在这里，完整性的原因。
我试过用rio（import_list）和haven（read_sav）导入，同样的单元格用两种方法都解释为1582-10-14，可能不是随机的，SPSS文件中有一些隐藏的数据在SPSS界面看不到？
知道为什么我会得到这个错误吗？会不会是一个bug？不过我的经验是很少有。还有人经历过这种情况吗？
一个可能的修正方法是删除R中的所有1582-10-14条目，但我想知道它发生的原因。如果从SPSS导入的数据不正确怎么办？
编辑：This post已经被建议作为一个解决方案，但它不是。这篇文章涉及R从SPSS导入日期作为绝对数字从1582-10-14和如何将这些值转换为实际日期，如果我理解正确。这篇文章涉及R错误地解释了一些缺失的值的SPSS日期列为1582-10-14。
这是一个SPSS中的数据截图，以及导入到R后的数据截图。

Link to SPSS dataset

datetest <- structure(list(datevariable = structure(c(NA, 18394, 
 NA, 17914, -141428, -141428, NA, -141428, NA, NA, NA, 
 -141428, NA, NA, -141428, -141428, NA, NA, NA, NA, NA, 
 NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, 17765, NA, NA, 
 NA, NA, NA, NA, NA, -141428, NA, NA, NA, NA, NA, NA, NA,
 19278, NA, NA, NA, NA, NA, NA, NA, 19121, NA, NA, NA, 
 NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA,
 NA, NA, NA, NA), label = "datevariable", class = "Date", format.spss = "SDATE10")),
     class = c("tbl_df", "tbl", "data.frame"), row.names = c(NA, -77L))

如您所见，行号2和4被正确导入。行5、6、8、12、15...的缺失值被导入为1582-10-14。

r

来源：https://stackoverflow.com/questions/74292792/rio-and-haven-randomly-interpret-nas-in-date-column-as-1582-10-14-when-importing

1条答案

按热度按时间

tjvv9vkg1#

我有一个不完整的，可能不满意的答案。
我下载了您的文件并运行了以下代码：

library(foreign)
library(rio)
x1 <- read.spss("spss_test.sav")
x2 <- rio::import("spss_test.sav")
x3 <- haven::read_spss("spss_test.sav")

实际上，rio只是haven或（或者，如果需要）foreign包，因此x2是冗余的......我使用下面定义的print_hex()函数检查了结果，并在Emacs中以“hexl模式”查看文件（我想你可以在网上找到其他的十六进制编辑器等等）比较foreign::read.spss()和haven::read_spss()的优点是read.spss实际上做了 * 更少 * 的数据处理（产生奇怪的长数字，然后可以转换成日期），这使得它更容易看到发生了什么。
查看结果，比较x1[[i]]（数值）的前几个元素;print_hex(x1[[i]])（底层十六进制表示）;和x3[[i]]（日期值），我们得到

要素1和3：不适用，7 ff 000000007 a2，不适用
要素2：13808620800、4209 b876 a8000000，2020年5月12日
元件4：13767148800，4209 a4 b 028000000，2019年1月18日
元素5：0、0、1582年10月14日

因此，一些缺失值被SPSS编码为零，一些被编码为NA值，这是肯定的，不幸的是，为什么缺失值被不同地编码，对我来说是一个谜。
我试着查看原始的十六进制代码转储，但是很痛苦，而且没有多大帮助。在下面第2行的末尾，您可以看到对应于编码为00 0000 a876 b809 42的元素2的十六进制值，它是 * 向后反转顺序 *，即从最后一对开始（42）并从右向左读取每一对（09，b8，76...）。元素4的值似乎就在它后面（第2行结束，第3行开始）。这是我迷失的地方，因为我不知道在文件编码中正在做什么样的压缩/其他魔术...

01           0000 5554 462d 38e7 0300 0000 0000 00ff  ..UTF-8.........
02 000001f0: fdff fd64 64ff 6400 0000 a876 b809 4200  ...dd.d....v..B.
03 00000200: 0000 28b0 a409 42ff ffff 64ff ff64 64ff  ..(...B...d..dd.
04 00000210: ffff ffff ffff ffff ffff ffff ffff fd00  ................
05 00000220: 0000 ac8c 9e09 42ff ffff ffff ffff 64ff  ......B.......d.

从Double precision (64-bit) representation of numeric value in R (sign, exponent, significand)开始：

Rcpp::cppFunction('void print_hex(double x) {
    uint64_t y;
    static_assert(sizeof x == sizeof y, "Size does not match!");
    std::memcpy(&y, &x, sizeof y);
    Rcpp::Rcout << std::hex << y << std::endl;
}', plugins = "cpp11", includes = "#include <cstdint>")

赞(0）回复(0）举报 2023-03-20

我来回答

rio和haven从SPSS导入时，随机将日期列中的NA解释为1582-10-14

1条答案

相关问题

热门标签

最新问答