File Import

Importa una tabla de datos desde un archivo o una URL, con vista previa y edición de columnas. Reúne en un solo widget lo mejor de File y CSV File Import.

Para qué sirve

Elige un origen y el widget deduce todo lo demás: formato, codificación, separador, cabecera, tipos y roles. Si algo no es como esperabas, lo corriges a la vista y la vista previa cambia al momento.

Salidas

• Data: la tabla importada.

Origen

• Archivo: elige uno de los recientes o ábrelo con …. También puedes arrastrarlo a la ventana del widget. El botón de recarga vuelve a leerlo.

• URL: escribe una dirección http o https y pulsa Intro. Los enlaces para compartir de Google Sheets, Google Drive y Dropbox se convierten solos en descargas directas.

Formatos

El formato se deduce del contenido del archivo y, en su defecto, de la extensión. Si no coinciden, manda el contenido y el widget lo avisa. Puedes corregirlo en Tipo.

Formato	Notas
CSV y TSV	Texto delimitado. Separador detectado automáticamente.
TAB de Orange	Reconoce la cabecera de tres filas (nombres, tipos y roles) y los prefijos del tipo cD#nombre. La columna de pesos se importa como meta.
Excel (XLSX y XLS)	Elige la hoja. Si la primera está vacía, se usa la siguiente. El valor de una celda combinada se copia a todas las que abarca, y los errores como #N/A son valores perdidos.
ARFF	Numéricos, nominales, fechas, textos, ? y formato disperso. La última columna nominal, o la llamada class, se toma como clase.

Los archivos de texto también pueden estar comprimidos (gzip, bzip2, xz o un ZIP con un solo archivo).

Columnas

Cada columna del archivo es una fila de la tabla, con su número de valores perdidos, de valores distintos y unos ejemplos. Haz clic para cambiar:

• Nombre.

• Tipo: numérico, categórico, texto o fecha.

• Rol: atributo, clase, meta u omitir. El texto siempre es meta, porque Orange no admite texto como atributo.

Para cambiar varias a la vez, selecciónalas y usa Cambiar las seleccionadas. Restaurar lo detectado deshace todas las ediciones. Editar columnas nunca vuelve a leer el archivo: el cambio es inmediato aunque la tabla sea grande.

Cómo se deducen los tipos:

• Los textos con hasta 100 valores distintos (y pocos respecto a las filas) son categóricos; los demás, texto.

• Los enteros con solo dos valores (por ejemplo 0 y 1) son categóricos, igual que en File. El resto de números son numéricos.

• Si al menos el 95 % de una columna son números, es numérica, y lo que no encaja queda como perdido, con un aviso que dice cuántos son.

• Una columna llamada class, clase, target u objetivo se propone como clase.

• Las columnas totalmente vacías se omiten con un aviso; puedes recuperarlas.

Importación avanzada

Está plegada para no estorbar. Cada opción muestra entre paréntesis lo detectado.

Opción	Qué hace
Codificación	Se detecta (incluido el BOM). Si el archivo no es UTF-8 de principio a fin, se lee como Windows-1252 y se avisa. También puedes escribir cualquier otra.
Separador y Comillas	Carácter entre campos y carácter que protege un campo.
Decimal y Miles	Admite decimales con coma y separadores de miles.
Saltar filas	Líneas iniciales que se ignoran.
Cabecera	Automática, sin cabecera (las columnas se llaman Columna 1, Columna 2…) o en una fila concreta, contada después de las saltadas.
Valores perdidos	Textos que cuentan como perdidos, separados por comas. La celda vacía siempre lo es.
Comentarios	Las líneas que empiezan por este carácter se ignoran.
Máximo de filas	Lee solo las primeras filas.
Orden de fechas	Para fechas ambiguas. En automático gana el formato que mejor encaja y, si empatan, día/mes/año.
Descarga máxima	Tamaño máximo que se descargará desde una URL. Por defecto, 500 MB. También fija el máximo de lo descomprimido (ver abajo).

Vista previa y carga

La vista previa lee solo el principio del archivo y muestra las primeras 100 filas tal como quedarán. Con Apply Automatically activo, la carga completa empieza sola después. Si lo desactivas, ajusta todo con calma y pulsa Apply.

La lectura va en segundo plano con barra de progreso, y Cancelar la detiene.

Lo que ocurre cuando hay problemas

Situación	Qué hace el widget
Filas con campos de más o de menos	Conserva la fila (recorta lo sobrante o deja perdido lo que falta) e informa de cuántas son y de la primera.
Nombres de columna repetidos o vacíos	Los renombra (a (2), Columna 3) y lo indica.
Separador ambiguo	Usa el más probable y dice cuál otro encaja.
Valores que no encajan con el tipo, fechas imposibles	Quedan como perdidos e informa de cuántos son y en qué columnas.
Números enormes o infinitos	Los infinitos pasan a perdidos. Si un número pierde precisión, recomienda usar el tipo texto (típico de identificadores largos).
Fechas anteriores a 1677 o posteriores a 2262	No se pueden representar: quedan como perdidas, con aviso.
Comillas sin cerrar	Mensaje con la fila donde empiezan. Se puede desactivar el uso de comillas.
Archivo vacío, inexistente, sin permisos o dañado; Excel con contraseña	Mensaje claro y sin salida.
URL con error, redirección excesiva, tiempo agotado, demasiado grande, que descomprime demasiado o que devuelve una página web	Mensaje claro y sin salida. Solo se admiten http y https, también en las redirecciones.

Datos comprimidos desde una URL

Un archivo comprimido muy pequeño puede ocupar muchísimo al descomprimirse y agotar la memoria (es lo que se conoce como bomba de compresión). Por eso los datos comprimidos que vienen de una URL (gzip, bzip2, xz, ZIP y también los XLSX, que son ZIP por dentro) se dejan de leer si superan el menor de estos dos valores:

• 100 veces lo descargado, con un mínimo de 16 MB. Un CSV real rara vez comprime más de 30 veces.

• 10 veces la descarga máxima: 5 GB con el valor por defecto.

Si un archivo legítimo lo supera, descárgalo y ábrelo como archivo local: los archivos locales no tienen este límite, y su lectura se puede cancelar igualmente.

Un ZIP debe contener un solo archivo. El límite mide lo que realmente sale al descomprimir, no el tamaño que el ZIP declara.

Guardado con el workflow

Las opciones y las ediciones de columnas se guardan con el workflow para cada origen. Si al reabrirlo el archivo no existe, se avisa y se conserva la configuración. Si sus columnas han cambiado, se aplica lo que siga siendo válido y se indica qué columnas han desaparecido o son nuevas.

¿Por qué no hay salida Data Frame?

CSV File Import tiene una salida Data Frame con el objeto de pandas, que solo sirve para conectarla a un Python Script. Este widget no la ofrece: duplicaría memoria en archivos grandes y el mismo resultado se obtiene dentro del Python Script con Orange.data.pandas_compat.table_to_frame(in_data).