通过使用数据。表中我们可以为每一列指定数据类型。

library(data.table)    
data=data.table(a=numeric(), b=numeric(), c=numeric())

要创建一个空数据帧，将所需的行数和列数传入以下函数:

create_empty_table <- function(num_rows, num_cols) {
    frame <- data.frame(matrix(NA, nrow = num_rows, ncol = num_cols))
    return(frame)
}

要在指定每列的类的同时创建一个空帧，只需将所需数据类型的向量传递给下面的函数:

create_empty_table <- function(num_rows, num_cols, type_vec) {
  frame <- data.frame(matrix(NA, nrow = num_rows, ncol = num_cols))
  for(i in 1:ncol(frame)) {
    print(type_vec[i])
    if(type_vec[i] == 'numeric') {frame[,i] <- as.numeric(frame[,i])}
    if(type_vec[i] == 'character') {frame[,i] <- as.character(frame[,i])}
    if(type_vec[i] == 'logical') {frame[,i] <- as.logical(frame[,i])}
    if(type_vec[i] == 'factor') {frame[,i] <- as.factor(frame[,i])}
  }
  return(frame)
}

使用方法如下:

df <- create_empty_table(3, 3, c('character','logical','numeric'))

这使:

   X1  X2 X3
1 <NA> NA NA
2 <NA> NA NA
3 <NA> NA NA

要确认您的选择，运行以下命令:

lapply(df, class)

#output
$X1
[1] "character"

$X2
[1] "logical"

$X3
[1] "numeric"

如果你已经有了一个dataframe，你可以从一个dataframe中提取元数据(列名和类型)(例如，如果你正在控制一个BUG，它只会被某些输入触发，并且需要一个空的dummy dataframe):

colums_and_types <- sapply(df, class)

# prints: "c('col1', 'col2')"
print(dput(as.character(names(colums_and_types))))

# prints: "c('integer', 'factor')"
dput(as.character(as.vector(colums_and_types)))

然后使用read。表创建空数据框架

read.table(text = "",
   colClasses = c('integer', 'factor'),
   col.names = c('col1', 'col2'))

如果你已经有一个存在的数据帧，比如df，它有你想要的列，那么你可以通过删除所有的行来创建一个空的数据帧:

empty_df = df[FALSE,]

注意df仍然包含数据，但empty_df没有。

我发现这个问题是寻找如何创建一个空行的新实例，所以我认为它可能对一些人有帮助。

通过使用数据。表中我们可以为每一列指定数据类型。

library(data.table)    
data=data.table(a=numeric(), b=numeric(), c=numeric())

如果您想声明这样一个包含许多列的data.frame，那么手动输入所有列类可能会很麻烦。特别是如果你可以使用rep，这种方法是简单和快速的(大约比其他解决方案快15%):

如果你想要的列类在一个向量colClasses中，你可以执行以下操作:

library(data.table)
setnames(setDF(lapply(colClasses, function(x) eval(call(x)))), col.names)

Lapply将产生一个所需长度的列表，其中的每个元素只是一个空类型的向量，如numeric()或integer()。

setDF通过引用将这个列表转换为data.frame。

Setnames通过引用添加所需的名称。

速度比较:

classes <- c("character", "numeric", "factor",
             "integer", "logical","raw", "complex")

NN <- 300
colClasses <- sample(classes, NN, replace = TRUE)
col.names <- paste0("V", 1:NN)

setDF(lapply(colClasses, function(x) eval(call(x))))

library(microbenchmark)
microbenchmark(times = 1000,
               read = read.table(text = "", colClasses = colClasses,
                                 col.names = col.names),
               DT = setnames(setDF(lapply(colClasses, function(x)
                 eval(call(x)))), col.names))
# Unit: milliseconds
#  expr      min       lq     mean   median       uq      max neval cld
#  read 2.598226 2.707445 3.247340 2.747835 2.800134 22.46545  1000   b
#    DT 2.257448 2.357754 2.895453 2.401408 2.453778 17.20883  1000  a 

它也比以类似的方式使用结构更快:

microbenchmark(times = 1000,
               DT = setnames(setDF(lapply(colClasses, function(x)
                 eval(call(x)))), col.names),
               struct = eval(parse(text=paste0(
                 "structure(list(", 
                 paste(paste0(col.names, "=", 
                              colClasses, "()"), collapse = ","),
                 "), class = \"data.frame\")"))))
#Unit: milliseconds
#   expr      min       lq     mean   median       uq       max neval cld
#     DT 2.068121 2.167180 2.821868 2.211214 2.268569 143.70901  1000  a 
# struct 2.613944 2.723053 3.177748 2.767746 2.831422  21.44862  1000   b