Remover_lineas_indeseadas

removedor_de_lineas_indeseadas.R

# La solucion tiene que ser solo desde R ?? 
# en caso de que no, puedes remover dichas lineas con grep y cat en unix
# en el caso de que si ..... yo primero leeria todos los datos por linea (sep = "\m")
# despues usaria una expresion regular para sacar los que no quiero (dplyr::filter(grepl()))
# y despues los separaria para que quedaran como los quiero. (tidyr::separate)



# Primero leemos los datos usando de separador la linea (no se separan las columnas)

require(tidyverse) # uso este paquete para todo .... tambien se puede hacer con R base
tabla_completa <- read.table("~/SST_Tmax_amj_Cusco_prob.txt", sep = "\n", as.is = TRUE) %>%
  tbl_df()
  


######################## RESULTADO de la tabla completa 
### A tibble: 104 × 1
                                                                                      ##V1
                                                                                   ##<chr>
##1                                             xmlns:cpt=http://iri.columbia.edu/CPT/v10/
##2                                                                            cpt:ncats=3
##3       cpt:field=prcp, cpt:C=1, cpt:clim_prob=0.333333333333, cpt:nrow=30, cpt:ncol=7, 
##4                           \tGRANJA\tKCAYRA\tURUBAMBA\tANTA\tANCACHURO\tPARURO\tACOMAYO
##5  cpt:Y\t-13.5570000000\t-13.3040000000\t-13.4680000000\t-13.7680000000\t-13.9170000000
##6  cpt:X\t-71.8750000000\t-72.1250000000\t-72.2160000000\t-71.8450000000\t-71.6840000000
##7  1986-04/06\t36.5774685334\t40.0417226666\t52.0471586526\t53.6844007815\t27.4341584786
##8  1987-04/06\t4.31135812254\t21.1286522134\t9.66070546609\t20.7177124686\t2.55429491075
##9  1988-04/06\t12.1848779602\t29.2176289354\t27.8645350556\t33.3535418833\t11.9981532698
##10 1989-04/06\t77.8363503839\t58.3669823466\t88.5511720179\t84.5855644454\t73.7035487261
### ... with 94 more rows




#esto devuelve un vector logico con todas las lineas que comienzan con un numero, y las seleccionamos

lineas_con_datos <- tabla_completa %>%
  filter(grepl("^[\\d]{4}", V1,perl = TRUE))






######################## RESULTADO despues de remover las lineas indeseadas 
## # A tibble: 90 × 1
                                                                                      ## V1
                                                                                   ## <chr>
## 1  1986-04/06\t36.5774685334\t40.0417226666\t52.0471586526\t53.6844007815\t27.4341584786
## 2  1987-04/06\t4.31135812254\t21.1286522134\t9.66070546609\t20.7177124686\t2.55429491075
## 3  1988-04/06\t12.1848779602\t29.2176289354\t27.8645350556\t33.3535418833\t11.9981532698
## 4  1989-04/06\t77.8363503839\t58.3669823466\t88.5511720179\t84.5855644454\t73.7035487261
## 5  1990-04/06\t18.9982211911\t35.3834849714\t37.5254358901\t42.4262562644\t22.3915641959
## 6  1991-04/06\t20.6420170156\t35.2785968799\t36.7974705686\t42.6057717002\t19.4096579222
## 7  1992-04/06\t4.62370394314\t18.1117656420\t11.6771564910\t17.7568990424\t3.61570359941
## 8  1993-04/06\t8.20665753005\t23.3036768502\t22.5636715052\t22.4831468871\t7.38365963785
## 9  1994-04/06\t22.0731783854\t33.0364936792\t40.2010622657\t37.1377730735\t20.8246318356
## 10 1995-04/06\t14.4263594309\t26.5684615201\t26.8680507654\t26.3415690329\t13.4765168853
## # ... with 80 more rows






lineas_con_datos %>%
  separate(V1, sep = "/", into = c("FECHA","RESTO")) %>%
  separate(RESTO, sep = "\t", into = paste0("V", 1:10)) %>%
  head() %>%
  as.data.frame




######################## RESULTADO de la tabla FINAL 

#  FECHA V1            V2            V3            V4            V5
#  1 1986-04 06 36.5774685334 40.0417226666 52.0471586526 53.6844007815
#  2 1987-04 06 4.31135812254 21.1286522134 9.66070546609 20.7177124686
#  3 1988-04 06 12.1848779602 29.2176289354 27.8645350556 33.3535418833
#  4 1989-04 06 77.8363503839 58.3669823466 88.5511720179 84.5855644454
#  5 1990-04 06 18.9982211911 35.3834849714 37.5254358901 42.4262562644
#  6 1991-04 06 20.6420170156 35.2785968799 36.7974705686 42.6057717002
             #  V6            V7            V8   V9  V10
#  1 27.4341584786 26.2467891473 34.5204226786 <NA> <NA>
#  2 2.55429491075 2.28400835030 4.75621700701 <NA> <NA>
#  3 11.9981532698 13.3062592097 15.8955269910 <NA> <NA>
#  4 73.7035487261 72.2072602640 78.4357440584 <NA> <NA>
#  5 22.3915641959 22.6200320881 24.8973724454 <NA> <NA>
#  6 19.4096579222 23.0793050447 22.4510269544 <NA> <NA>



## EQUIVALENTE SIN PIPE
tabla_completa <- read.table("~/SST_Tmax_amj_Cusco_prob.txt", sep = "\n", as.is = TRUE) 

# Grepl devuelve un vector logico (TRUE y FALSE) 
lineas_con_datos <- tabla_completa[grepl("^[\\d]{4}", tabla_completa$V1,perl = TRUE), ]

# esta linea separa la fecha de el resto, si notas en el archivo estan separados un un / , 
# el cual aca esta especificado en "/"
datos_intermedios <- separate(lineas_con_datos, V1, sep = "/", into = c("FECHA","RESTO"))

#esta linea separa por las tabulaciones, las cuales en texto se expresan como '\t'
datos_finales <- separate(datos_intermedios, RESTO, sep = "\t", into = paste0("V", 1:10))