Импортиране на данни в R: Четете CSV, Excel, SPSS, Stata, SAS файлове

Данните могат да съществуват в различни формати. За всеки формат R има специфична функция и аргумент. Този урок обяснява как да импортирате данни в R.

Прочетете CSV

Един от най-разпространените хранилища на данни е файловият формат .csv (стойности, разделени със запетая). R зарежда масив от библиотеки по време на стартирането, включително пакета utils. Този пакет е удобен за отваряне на csv файлове в комбинация с функцията reading.csv(). Ето синтаксиса за read.csv

read.csv(file, header = TRUE, sep = ",")

аргумент:

досие: ПЪТ, където се съхранява файлът
хедър: потвърдете дали файлът има заглавка или не, по подразбиране заглавката е зададена на TRUE
септември: символът, използван за разделяне на променливата. По подразбиране, `,`.

Ще прочетем името на файла с данни mtcats. Csv файлът се съхранява онлайн. Ако вашият .csv файл се съхранява локално, можете да замените PATH вътре в кодовия фрагмент. Не забравяйте да го увиете вътре в „ “. PATH трябва да бъде низова стойност.

За потребител на mac пътят за папката за изтегляне е:

 "/Users/USERNAME/Downloads/FILENAME.csv"

За потребител на Windows:

"C:\Users\USERNAME\Downloads\FILENAME.csv"

Имайте предвид, че винаги трябва да указваме разширението на името на файла.

. CSV
. Xlsx
. Txt
...

PATH <- 'https://raw.githubusercontent.com/guru99-edu/R-Programming/master/mtcars.csv'                
df <- read.csv(PATH, header =  TRUE, sep = ',')
length(df)

Продукция

## [1] 12

class(df$X)

Продукция

## [1] "factor"

R по подразбиране връща символни стойности като фактор. Можем да изключим тази настройка, като добавим stringsAsFactors = FALSE.

PATH <- 'https://raw.githubusercontent.com/guru99-edu/R-Programming/master/mtcars.csv'
df <-read.csv(PATH, header =TRUE, sep = ',', stringsAsFactors =FALSE)
class(df$X)

Продукция

## [1] "character"

Класът за променливата X вече е символ.

Четете Excel файлове

Excel файловете са много популярни сред анализаторите на данни. Електронните таблици са лесни за работа и гъвкави. R е оборудван с библиотека readxl за импортиране на електронна таблица на Excel.

Използвайте този код

require(readxl)

за да проверите дали readxl е инсталиран на вашето устройство. Ако инсталирате r с r-conda-essential, библиотеката вече е инсталирана. Трябва да видите в командния прозорец:

Продукция

Loading required package: readxl.

Ако пакетът не излезе, можете да го инсталирате с conda библиотека или в терминала използвайте conda install -c mittner r-readxl.

Използвайте следната команда, за да заредите библиотеката за импортиране на excel файлове.

library(readxl)

readxl_example()

По време на този урок използваме примерите, включени в пакета readxl.

Използвайте код

readxl_example()

за да видите всички налични електронни таблици в библиотеката.

За да проверите местоположението на електронната таблица с име clippy.xls, просто използвайте

readxl_example("geometry.xls")

Ако инсталирате R с conda, електронните таблици се намират в Anaconda3/lib/R/library/readxl/extdata/filename.xls

read_excel()

Функцията read_excel() е от голяма полза, когато става въпрос за отваряне на xls и xlsx разширение.

Синтаксисът е:

read_excel(PATH, sheet = NULL, range= NULL, col_names = TRUE)
arguments:
-PATH: Path where the excel is located
-sheet: Select the sheet to import. By default, all
-range: Select the range to import. By default, all non-null cells
-col_names: Select the columns to import. By default, all non-null columns

Можем да импортираме електронните таблици от библиотеката readxl и да преброим броя на колоните в първия лист.

# Store the path of `datasets.xlsx`
example <- readxl_example("datasets.xlsx")
# Import the spreadsheet
df <- read_excel(example)
# Count the number of columns
length(df)

Продукция

## [1] 5

excel_sheets()

Файлът datasets.xlsx се състои от 4 листа. Можем да разберем кои листове са налични в работната книга, като използваме функцията excel_sheets().

example <- readxl_example("datasets.xlsx")

excel_sheets(example)

Продукция

[1] "iris"     "mtcars"   "chickwts" "quakes"

Ако работният лист включва много листове, лесно е да изберете конкретен лист с помощта на аргументите на листа. Можем да посочим името на листа или индекса на листа. Можем да проверим дали и двете функции връщат един и същ резултат с identical().

example <- readxl_example("datasets.xlsx")
quake <- read_excel(example, sheet = "quakes")
quake_1 <-read_excel(example, sheet = 4)
identical(quake, quake_1)

Продукция

## [1] TRUE

Можем да контролираме кои клетки да четем по 2 начина

Използвайте аргумент n_max, за да върнете n реда
Използвайте аргумент диапазон, комбиниран с cell_rows или cell_cols

Например задаваме n_max равно на 5, за да импортираме първите пет реда.

# Read the first five row: with header
iris <-read_excel(example, n_max =5, col_names =TRUE)

Ако променим col_names на FALSE, R създава заглавките автоматично.

# Read the first five row: without header
iris_no_header <-read_excel(example, n_max =5, col_names =FALSE)

iris_no_header

В рамката с данни iris_no_header, R създаде пет нови променливи с имена X__1, X__2, X__3, X__4 и X__5

Можем също да използваме диапазона на аргументите, за да избираме редове и колони в електронната таблица. В кода по-долу използваме стила на excel, за да изберем диапазона A1 до B5.

# Read rows A1 to B5
example_1 <-read_excel(example, range = "A1:B5", col_names =TRUE)
dim(example_1)

Продукция

## [1] 4 2

Можем да видим, че example_1 връща 4 реда с 2 колони. Наборът от данни има заглавка, поради което размерът е 4×2.

Във втория пример използваме функцията cell_rows(), която контролира диапазона от редове за връщане. Ако искаме да импортираме редовете от 1 до 5, можем да зададем cell_rows(1:5). Имайте предвид, че cell_rows(1:5) връща същия резултат като cell_rows(5:1).

# Read rows 1 to 5
example_2 <-read_excel(example, range =cell_rows(1:5),col_names =TRUE)			
dim(example_2)

Продукция

## [1] 4 5

Примерът_2 обаче е матрица 4×5. Наборът от данни за ириса има 5 колони със заглавка. Връщаме първите четири реда със заглавки на всички колони

В случай, че искаме да импортираме редове, които не започват от първия ред, трябва да включим col_names = FALSE. Ако използваме диапазон = cell_rows(2:5), става очевидно, че нашата рамка с данни вече няма заглавка.

iris_row_with_header <-read_excel(example, range =cell_rows(2:3), col_names=TRUE)
iris_row_no_header <-read_excel(example, range =cell_rows(2:3),col_names =FALSE)

We can select the columns with the letter, like in Excel.
# Select columns A and B
col <-read_excel(example, range =cell_cols("A:B"))
dim(col)

Продукция

## [1] 150   2

Забележка: диапазон = cell_cols(“A:B”), връща всички клетки с ненулева стойност. Наборът от данни съдържа 150 реда, следователно read_excel() връща редове до 150. Това се проверява с функцията dim().

read_excel() връща NA, когато в клетката се появи символ без числова стойност. Можем да преброим броя на липсващите стойности с комбинацията от две функции

сума
е.на

Ето кода

iris_na <-read_excel(example, na ="setosa")
sum(is.na(iris_na))

Продукция

## [1] 50

Имаме липсващи 50 стойности, които са редовете, принадлежащи на вида setosa.

Импортирайте данни от друг статистически софтуер

Ние ще импортираме различни файлови формати с пакета Heaven. Този пакет поддържа SAS, STATA и SPSS софтуери. Можем да използваме следната функция, за да отворим различни типове набор от данни, според разширението на файла:

SAS: read_sas()
STATA: read_dta() (или read_stata(), които са идентични)
SPSS: read_sav() или read_por(). Трябва да проверим разширението

В рамките на тази функция се изисква само един аргумент. Трябва да знаем ПЪТЯ, където се съхранява файлът. Това е всичко, готови сме да отворим всички файлове от SAS, STATA и SPSS. Тези три функции приемат и URL.

library(haven)

убежище идва с conda r-essential, в противен случай отидете на връзка или в терминала conda install -c conda-forge r-haven

Прочетете sas

За нашия пример ще използваме набора от данни за прием от IDRE.

PATH_sas <- 'https://github.com/guru99-edu/R-Programming/blob/master/binary.sas7bdat?raw=true'
df <- read_sas(PATH_sas)
head(df)

Продукция

## # A tibble: 6 x 4
##   ADMIT   GRE   GPA  RANK
##   <dbl> <dbl> <dbl> <dbl>
## 1     0   380  3.61     3
## 2     1   660  3.67     3
## 3     1   800  4.00     1
## 4     1   640  3.19     4
## 5     0   520  2.93     4
## 6     1   760  3.00     2

Прочетете STATA

За STATA файлове с данни можете да използвате read_dta(). Използваме абсолютно същия набор от данни, но съхраняваме в .dta файл.

PATH_stata <- 'https://github.com/guru99-edu/R-Programming/blob/master/binary.dta?raw=true'
df <- read_dta(PATH_stata)
head(df)

Продукция

## # A tibble: 6 x 4				
##   admit   gre   gpa  rank				
##   <dbl> <dbl> <dbl> <dbl>				
## 1     0   380  3.61     3				
## 2     1   660  3.67     3				
## 3     1   800  4.00     1				
## 4     1   640  3.19     4				
## 5     0   520  2.93     4				
## 6     1   760  3.00     2

Прочетете SPSS

Използваме функцията read_sav(), за да отворим SPSS файл. Разширението на файла „.sav“

PATH_spss <- 'https://github.com/guru99-edu/R-Programming/blob/master/binary.sav?raw=true'
df <- read_sav(PATH_spss)
head(df)

Продукция

## # A tibble: 6 x 4				
##   admit   gre   gpa  rank				
##   <dbl> <dbl> <dbl> <dbl>				
## 1     0   380  3.61     3				
## 2     1   660  3.67     3			
## 3     1   800  4.00     1				
## 4     1   640  3.19     4				
## 5     0   520  2.93     4				
## 6     1   760  3.00     2

Най-добри практики за импортиране на данни

Когато искаме да импортираме данни в R, е полезно да приложим следния контролен списък. Това ще улесни правилното импортиране на данни в R:

Типичният формат за електронна таблица е да се използват първите редове като заглавка (обикновено име на променлива).
Избягвайте да наименувате набор от данни с празни интервали; може да доведе до тълкуване като отделна променлива. Друга възможност е да използвате '_' или '-.'
За предпочитане са кратките имена
Не включвайте символ в името: т.е. обменен_курс_$_€ не е правилен. Предпочитайте да го наименувате: exchange_rate_dollar_euro
Използвайте NA за липсващи стойности в противен случай; трябва да изчистим формата по-късно.

Oбобщение

Следващата таблица обобщава функцията, която да използвате, за да импортирате различни типове файлове в R. Първата колона посочва библиотеката, свързана с функцията. Последната колона се отнася до аргумента по подразбиране.

Библиотека	Цел	функция	Аргументи по подразбиране
UTILS	Прочетете CSV файл	read.csv()	файл, заглавка =, TRUE, sep = ","
readxl	Прочетете EXCEL файл	read_excel()	път, диапазон = NULL, имена на_колони = TRUE
убежище	Прочетете SAS файла	read_sas()	път
убежище	Прочетете STATA файла	read_stata()	път
убежище	Прочетете SPSS file	read_sav()	път

Следната таблица показва различните начини за импортиране на селекция с функцията read_excel().

функция	Цел	Аргументи
read_excel()	Прочетете n на брой редове	n_max = 10
	Изберете редове и колони като в Excel	диапазон = „A1:D10“
	Изберете редове с индекси	диапазон=клетки_редове(1:3)
	Изберете колони с букви	диапазон = cell_cols(“A:C”)

Импортиране на данни в R: Четете CSV, Excel, SPSS, Stata, SAS файлове

Прочетете CSV

Продукция

Продукция

Продукция

Четете Excel файлове

Продукция

readxl_example()

read_excel()

Продукция

excel_sheets()

Продукция

Продукция

Продукция

Продукция

Продукция

Продукция

Импортирайте данни от друг статистически софтуер

Прочетете sas

Продукция

Прочетете STATA

Продукция

Прочетете SPSS

Продукция

Най-добри практики за импортиране на данни

Oбобщение

Обобщете тази публикация с:

Регистрирайте се за бюлетина

Прочетете CSV

Продукция

Продукция

Продукция

Четете Excel файлове

Продукция

readxl_example()

read_excel()

Продукция

СВЪРЗАНИ СТАТИИ

excel_sheets()

Продукция

Продукция

Продукция

Продукция

Продукция

Продукция

Импортирайте данни от друг статистически софтуер

Прочетете sas

Продукция

Прочетете STATA

Продукция

Прочетете SPSS

Продукция

Най-добри практики за импортиране на данни

Oбобщение

Обобщете тази публикация с:

Регистрирайте се за бюлетина