) ) tail(challenge) #> # A tibble: 6 × 2 #> x y #>“，”#> 1 0.805 2019-11-21 #> 2 0.164 2018-03-29 #> 3 0.472 2014-08-04 #> 4 0.718 2015-08-16 #> 5 0.270 2020-02-04 #> 6 0.608 2019-01-06

每个 parse_xyz() 函数都有一个对应的 col_xyz() 函数。当数据已经在 R 的字符向量中时，使用 parse_xyz()；当你想告诉 readr 如何加载数据时，使用 col_xyz()。

我强烈建议始终提供 col_types，并基于 readr 提供的打印输出来逐步构建它。这能确保你拥有一致且可复现的数据导入脚本。如果你依赖默认的猜测，而数据发生了变化，readr 仍会继续读取它。如果你想更加严格，可以使用 stop_for_problems()：一旦出现任何解析问题，它就会抛出错误并停止你的脚本。”，“其他策略

还有一些其他通用策略可以帮助你解析文件：”，“在前面的例子中，我们只是运气不好：如果只比默认多看一行，我们就可以一次性正确解析：

challenge2 <- read_csv( readr_example(\ challenge.csv\

), guess_max = 1001 ) *#> Parsed with column specification: #> cols( #> x = col_double(), #> y = col_date(format = \

• \ #> 1 404 *