sirve - write.table function in r

Colapsar R cuando se llama a `write.table` en un conjunto de datos particular

Question

Lo siguiente consistentemente bloquea mi sesión R.
Probado en dos máquinas, Ubuntu y Mac OS X con resultados similares en ambos.

Breve descripción:
Llamar a write.table en un data.frame con columna de factores de todos los NA''s.

El conjunto de datos original es bastante grande, y he logrado aislar la columna ofensiva y luego crear un vector similar, llamado PROBLEM_DATA continuación, que causa el mismo bloqueo.

Curiosamente, a veces R bloquea directamente, otras veces simplemente arroja el siguiente error:

Error in write.table(x, file, nrow(x), p, rnames, sep, eol, na, dec, as.integer(quote),  : 
  ''getCharCE'' must be called on a CHARSXP

¿Alguna idea sobre la causa del accidente o debería enviarse como un error?

Ofender datos y llamar:

PROBLEM_DATA <- structure(114:116, .Label = c("String1", "String2", "String3", "String4", "String5", "String6", 
                   "String7", "String8", "String9", "String10", "String11", "String12", "String13", "String14", "String15"), class = "factor")

# This will cause a crash
write.table(PROBLEM_DATA, file=path.expand("~/test.csv"))

# This will also crash
write.table(PROBLEM_DATA, file=path.expand("~/test.csv"), fileEncoding="UTF-8")

INFORMACIÓN DE LA SESIÓN DE CADA MÁQUINA

UBUNTU

R version 2.15.3 (2013-03-01)
Platform: x86_64-pc-linux-gnu (64-bit)

locale:
 [1] LC_CTYPE=en_US.UTF-8 LC_NUMERIC=C         LC_TIME=C            LC_COLLATE=C        
 [5] LC_MONETARY=C        LC_MESSAGES=C        LC_PAPER=C           LC_NAME=C           
 [9] LC_ADDRESS=C         LC_TELEPHONE=C       LC_MEASUREMENT=C     LC_IDENTIFICATION=C 

attached base packages:
[1] stats     graphics  grDevices utils     datasets  methods   base     

other attached packages:
[1] gdata_2.12.0     ggplot2_0.9.3    stringr_0.6.1    RMySQL_0.9-3     DBI_0.2-5       
[6] data.table_1.8.8

loaded via a namespace (and not attached):
 [1] MASS_7.3-23        RColorBrewer_1.0-5 colorspace_1.2-0   dichromat_1.2-4   
 [5] digest_0.5.2       grid_2.15.3        gtable_0.1.1       gtools_2.7.0      
 [9] labeling_0.1       munsell_0.4        plyr_1.7.1         proto_0.3-9.2     
[13] reshape2_1.2.1     scales_0.2.3       tools_2.15.3

Mac OS X

R version 2.15.3 (2013-03-01)
Platform: x86_64-apple-darwin9.8.0/x86_64 (64-bit)

locale:
[1] en_US.UTF-8/en_US.UTF-8/en_US.UTF-8/C/en_US.UTF-8/en_US.UTF-8

attached base packages:
[1] stats     graphics  grDevices utils     datasets  methods   base     

Answer 1

Este es un buen error reproducible y debe informarse a R-devel o utilizando bug.report() . FWIW en

> sessionInfo()
R version 3.0.0 Patched (2013-04-03 r62485)
Platform: x86_64-unknown-linux-gnu (64-bit)

Si en Linux configuro R con CFLAGS = "- g -O0", puedo

R -d gdb
(gdb) break Rf_error
(gdb) run

luego pega tus líneas arriba y termina en

> write.table(PROBLEM_DATA, file=path.expand("~/test.csv"))

Breakpoint 1, Rf_error (format=0x7ffff7a8f0f0 "''%s'' must be called on a CHARSXP") at /home/mtmorgan/src/R-3-0-branch/src/main/errors.c:753
753     RCNTXT *c = R_GlobalContext;
(gdb) up 3
#3  0x00007ffff1b9bfb3 in EncodeElement2 (x=0x31ccf50, indx=113, quote=TRUE, qmethod=TRUE, buff=0x7fffffffbdc0, cdec=46 ''.'')
    at /home/mtmorgan/src/R-3-0-branch/src/library/utils/src/io.c:938
938     p0 = translateChar(STRING_ELT(x, indx));
(gdb) call Rf_PrintValue(x)
 [1] "String1"  "String2"  "String3"  "String4"  "String5"  "String6" 
 [7] "String7"  "String8"  "String9"  "String10" "String11" "String12"
[13] "String13" "String14" "String15"
(gdb) p indx
$1 = 113

que muestra R tratando de imprimir el 114º elemento de los nombres de los factores: claramente las cosas han salido mal porque el factor tiene valores enteros más allá de la longitud de sus niveles.

Answer 2

No es una respuesta, sino un largo comentario:

PROBLEM_DATA <- structure(c(1:5,114:116), .Label = c("String1", "String2", "String3",''string4'',''str5'',''str6'',''str7''),class=''factor'')
Rgames> as.numeric(PROBLEM_DATA)
[1]   1   2   3   4   5 114 115 116
Rgames> as.numeric(as.character(PROBLEM_DATA))
[1] NA NA NA NA NA NA NA NA
Warning message:
NAs introduced by coercion 
Rgames> levels(PROBLEM_DATA)
[1] "String1" "String2" "String3" "string4" "str5"    "str6"    "str7"   
Rgames> write.table(PROBLEM_DATA, file=path.expand("~/ctest.csv"))
Error in write.table(x, file, nrow(x), p, rnames, sep, eol, na, dec, as.integer(quote),  : 
  ''getCharCE'' must be called on a CHARSXP

ctest.csv contiene: (cada línea es una sola celda en lo que concierne a Excel)

x
1 "String1"
2 "String2"
3 "String3"
4 "string4"
5 "str5"
6

Entonces, puede ver que algo va mal cuando hay una ''brecha'' en la numeración subyacente de los niveles. Espero que esto proporcione una pista para alguien que entiende los factores mucho más que yo.