好好的表格被放进了pdf，肿么办

0.解决的问题

0.1 有些数据的有用信息表格，存放在正文和附件里，以pdf格式提供。就不方便提取，在此记录从pdf里提取表格的办法。

0.2 很多欧洲国家的小数点是逗号，比如"3.52"会写成"3,52"，除了自己写代码处理字符串，也可以使用哈德雷大神的现成函数parse_double。

1.提取表格

GSE16011的参考文献附件，下面直接是pdf的网址，也省得下载再读取咯。

附表1是接近300个病人的各种信息，占了前10页。全部提取出来是组织成了一个列表的形式，把列表里的每个数据组合起来即可。

library(tabulizer)
f <- "https://cancerres.aacrjournals.org/content/canres/suppl/2009/11/16/0008-5472.CAN-09-2307.DC1/stabs_1-6.pdf"
re <- extract_tables(f,pages = 1:10) #提取前10页的表格。
str(re)

## List of 10
##  $ : chr [1:32, 1:10] "Databasernumber" "7" "8" "9" ...
##  $ : chr [1:32, 1:10] "92" "98" "99" "101" ...
##  $ : chr [1:31, 1:10] "155" "157" "158" "161" ...
##  $ : chr [1:32, 1:10] "203" "204" "206" "207" ...
##  $ : chr [1:29, 1:10] "256" "257" "258" "259" ...
##  $ : chr [1:30, 1:10] "336" "337" "343" "344" ...
##  $ : chr [1:29, 1:10] "425" "427" "428" "431" ...
##  $ : chr [1:33, 1:10] "483" "485" "487" "488" ...
##  $ : chr [1:32, 1:10] "565" "566" "567" "568" ...
##  $ : chr [1:5, 1:10] "704" "709" "710" "711" ...

re = do.call(rbind,re)
re[1:4,1:4]

##      [,1]               [,2]    
## [1,] "Databasernumber" "Gender"
## [2,] "7"                ""      
## [3,] "8"                "Female"
## [4,] "9"                "Male"  
##      [,3]                              
## [1,] "Reviewed histologicalrdiagnosis"
## [2,] "control"                         
## [3,] "OD (grade III)"                  
## [4,] "OD (grade III)"                  
##      [,4]               
## [1,] "Age atrdiagnosis"
## [2,] ""                 
## [3,] "44,57"            
## [4,] "28,69"

2.提取后的调整

上面的提取结果有3个问题

1. 第一行的内容本该是列名，而没有被正确设为列名

2. 存在空的格子

3. 有一些列本该是数值型数据，现在都是字符串型，且有逗号作为小数点的数据

改造问题数据行动

colnames(re) = re[1,]
re = re[-1,]
re = data.frame(re)
re[re==""]=NA

library(readr)
re$Survival..years. = parse_double(re$Survival..years.,locale = locale(decimal_mark = ","))

re$Age.at.diagnosis = parse_double(re$Age.at.diagnosis,locale = locale(decimal_mark = ","))

多说一句，空格子对应的内容就是空字符串””,他没有内容，但他有字符串属性，转换为别的类型时会变成NA。我习惯主动把他全变成NA，不然后续的分析，空字符串也算一种取值。举个栗子：

table(c("","","Alive","Alive","Dead","Dead","Dead"))

## 
##       Alive  Dead 
##     2     2     3

我的个人文章从简书全部迁移到了语雀，搜小洁忘了怎么分身即可找到，点击阅读原文可以跳转。如果因为不会R语言导致代码完全看不懂，可以看看下面的几个课程⏬都是滚动开班的。

插个小广告！

生信零基础入门学习小组

生信入门班（四周线上直播课，长期开班）

数据挖掘班（医生/医学生首选，三周线上直播课，长期开班）

生信星球答疑公告