你可以用read。表中输入的文本为空字符串，如下所示:

colClasses = c("Date", "character", "character")
col.names = c("Date", "File", "User")

df <- read.table(text = "",
                 colClasses = colClasses,
                 col.names = col.names)

或者将col.names指定为字符串:

df <- read.csv(text="Date,File,User", colClasses = colClasses)

感谢Richard Scriven的改进

如果你想创建一个带有动态名称的空data.frame(变量中的colnames)，这可以帮助:

names <- c("v","u","w")
df <- data.frame()
for (k in names) df[[k]]<-as.numeric()

如果需要，您也可以更改类型。如:

names <- c("u", "v")
df <- data.frame()
df[[names[1]]] <- as.numeric()
df[[names[2]]] <- as.character()

这个问题并没有特别解决我的问题(在这里概述)，但如果有人想用参数化的列数来做这件事，并且没有强制:

> require(dplyr)
> dbNames <- c('a','b','c','d')
> emptyTableOut <- 
    data.frame(
        character(), 
        matrix(integer(), ncol = 3, nrow = 0), stringsAsFactors = FALSE
    ) %>% 
    setNames(nm = c(dbNames))
> glimpse(emptyTableOut)
Observations: 0
Variables: 4
$ a <chr> 
$ b <int> 
$ c <int> 
$ d <int>

正如分裂论在相关问题上所说，

.．.[强制]发生的原因[当cbinding矩阵和它们的组成类型]是一个矩阵只能有一个 单一数据类型。当你绑定2个矩阵时，结果仍然是a 矩阵，所以变量都被压缩成一个类型 转换为data.frame

只需用空向量初始化它:

df <- data.frame(Date=as.Date(character()),
                 File=character(), 
                 User=character(), 
                 stringsAsFactors=FALSE) 

下面是另一个不同列类型的例子:

df <- data.frame(Doubles=double(),
                 Ints=integer(),
                 Factors=factor(),
                 Logicals=logical(),
                 Characters=character(),
                 stringsAsFactors=FALSE)

str(df)
> str(df)
'data.frame':   0 obs. of  5 variables:
 $ Doubles   : num 
 $ Ints      : int 
 $ Factors   : Factor w/ 0 levels: 
 $ Logicals  : logi 
 $ Characters: chr 

注意:

用错误类型的空列初始化data.frame不会阻止进一步添加具有不同类型列的行。 这个方法稍微安全一点，因为从一开始你就有正确的列类型，因此如果你的代码依赖于一些列类型检查，即使data.frame没有行，它也能工作。

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

我保持这个函数方便，每当我需要它，并改变列名和类以适应用例:

make_df <- function() { data.frame(name=character(),
                     profile=character(),
                     sector=character(),
                     type=character(),
                     year_range=character(),
                     link=character(),
                     stringsAsFactors = F)
}

make_df()
[1] name       profile    sector     type       year_range link      
<0 rows> (or 0-length row.names)