Tuo tiedot R:ssä: Lue CSV-, Excel-, SPSS-, Stata-, SAS-tiedostoja

Dataa voi olla eri muodoissa. Jokaiselle formaatille R on erityinen funktio ja argumentti. Tämä opetusohjelma selittää, kuinka tietoja tuodaan R:hen.

Lue CSV-tiedostoja

Yleisimmin käytetty tiedostomuoto on .csv, pilkulla erotetut arvot. R lataa käynnistyksen aikana taulukon kirjastoja, mukaan lukien utils-paketin. Tämä paketti tarjoaa read.csv()-funktion, joka on CSV-tiedoston avaamisen vakiotapa. Tässä on syntaksi:

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

Perustelu:

• tiedosto: PATH, johon tiedosto on tallennettu
• ylätunniste: vahvista, onko tiedostossa otsikko vai ei, oletusarvoisesti otsikko on TRUE
• syyskuu: symboli, jota käytetään muuttujan jakamiseen. Oletuksena `,`.

Luemme datatiedoston nimen mtcats. Csv-tiedosto on tallennettu verkkoon. Jos .csv-tiedostosi on tallennettu paikallisesti, voit korvata koodinpätkän sisällä olevan PATH:n. Älä unohda kääriä sitä sisään. PATH:n on oltava merkkijonoarvo.

Mac-käyttäjälle latauskansion polku on:

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

Windows-käyttäjälle:

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

Huomaa, että meidän tulee aina määrittää tiedostonimen pääte.

• . Csv
• . Xlsx
• . Txt
• ...

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

lähtö:

## [1] 12

class(df$X)

lähtö:

## [1] "factor"

R-versioissa ennen versiota 4.0.0 read.csv() muunsi jokaisen merkkisarakkeen tekijäksi, minkä vuoksi class(df$X) palauttaa yllä olevan ”tekijän”. Voit kytkeä sen pois päältä asettamalla 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)

lähtö:

## [1] "character"

Muuttujan X luokka on nyt merkki.

read.csv() vs. read_csv(): Kumpaa kannattaa käyttää?

read.csv() toimitetaan R-pohjaisena eikä vaadi erillistä pakettia. Readr-paketti lisää read_csv()-funktion, joka on nopeampi ja tekee vähemmän päätöksiä puolestasi.

library(readr)
df <- read_csv(PATH)

# For very large files, data.table::fread() is faster still
library(data.table)
df <- fread(PATH)

Käytä read.csv()-funktiota pienille tiedostoille ja skripteille, joiden on suoritettava ilman lisäpaketteja. Käytä read_csv()-funktiota, kun tiedosto on suuri tai kun sarakenimien tarkkojen tietojen säilyttäminen on tärkeää.

Lue Excel-tiedostoja

kunnostautua tiedostot ovat erittäin suosittuja data-analyytikkojen keskuudessa. Laskentataulukoita on helppo käsitellä ja ne ovat joustavia. R on varustettu kirjastolla readxl Excel-laskentataulukon tuontia varten.

Käytä tätä koodia

require(readxl)

tarkistaaksesi, onko readxl asennettuna koneellesi. Jos asennat r:n kanssa r-conda-essential, kirjasto on jo asennettu. Sinun pitäisi nähdä komentoikkunassa:

lähtö:

Loading required package: readxl.

Jos pakettia ei ole asennettu, voit asentaa sen conda-komennolla. kirjasto tai käytä päätteessä conda install -c mittner r-readxl.

Käytä seuraavaa komentoa ladataksesi kirjaston Excel-tiedostojen tuomiseksi.

library(readxl)

readxl_example()

Käytämme tämän opetusohjelman aikana readxl-pakettiin sisältyviä esimerkkejä.

Käytä koodia

readxl_example()

nähdäksesi kaikki kirjastossa olevat laskentataulukot.

Tarkistaaksesi tietyn laskentataulukon sijainnin, anna sen nimi:

readxl_example("geometry.xls")

Jos asennat R:n condan kanssa, laskentataulukot sijaitsevat osoitteessa Anaconda3/lib/R/library/readxl/extdata/filename.xls

lue_excel()

read_excel() avaa sekä .xls- että .xlsx-tiedostopäätteet ja valitsee oikean jäsentimen automaattisesti.

Syntaksi on:

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

Voimme tuoda laskentataulukot readxl-kirjastosta ja laskea ensimmäisen arkin sarakkeiden lukumäärän.

# 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)

lähtö:

## [1] 5

excel_sheets()

Tiedosto datasets.xlsx koostuu 4 arkista. Voimme selvittää, mitkä taulukot ovat käytettävissä työkirjassa käyttämällä excel_sheets()-funktiota

example <- readxl_example("datasets.xlsx")

excel_sheets(example)

lähtö:

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

Jos laskentataulukossa on useita arkkeja, on helppo valita tietty taulukko taulukkoargumenttien avulla. Voimme määrittää arkin nimen tai arkkihakemiston. Voimme tarkistaa, palauttavatko molemmat funktiot saman tulosteen identical()-funktiolla.

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

lähtö:

## [1] TRUE

Voimme hallita luettavia soluja kahdella tavalla

1. Käytä n_max-argumenttia palauttaaksesi n riviä
2. Käytä väliargumenttia yhdistettynä solu_rivit tai solu_sarakkeet

Esimerkiksi asetamme n_max-arvoksi 5 tuodaksemme ensimmäiset viisi riviä.

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

Jos muutamme sarakkeen_nimet arvoksi FALSE, R luo otsikot automaattisesti.

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

iris_no_header

readxl loi iris_no_header-datakehyksessä viisi paikkamerkkinimeä. Vanhemmat versiot tuottivat nimet X__1 - X__5, kun taas nykyiset versiot tuottavat …1 - …5.

Voimme myös käyttää argumenttialuetta valitaksesi rivejä ja sarakkeita laskentataulukosta. Alla olevassa koodissa käytämme excel-tyyliä valitaksemme alueen A1 - B5.

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

lähtö:

## [1] 4 2

example_1 palauttaa 4 riviä ja 2 saraketta. Väli A1:B5 kattaa viisi laskentataulukon riviä, mutta ensimmäinen rivi kuluu otsikkona, minkä vuoksi mitta on 4 x 2.

Toisessa esimerkissä käytämme funktiota cell_rows(), joka ohjaa palautettavien rivien määrää. Jos haluamme tuoda rivit 1-5, voimme asettaa solun_rivit(1:5). Huomaa, että solu_rivit(1:5) palauttaa saman tulosteen kuin solu_rivit(5:1).

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

lähtö:

## [1] 4 5

example_2 on sitä vastoin 4 x 5. cell_rows(1:5) käsittelee jälleen ensimmäistä riviä otsikkona, joten palautetaan neljä datariviä kaikista viidestä sarakkeesta.

Jos haluamme tuoda rivejä, jotka eivät ala ensimmäisellä rivillä, meidän on sisällytettävä sarakkeen_nimet = FALSE. Jos käytämme range = cell_rows(2:5), käy ilmi, että tietokehyksellämme ei ole enää otsikkoa.

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)

Voit myös valita sarakkeita kirjaimen mukaan, aivan kuten Excelissä:

# Select columns A and B
col <- read_excel(example, range = cell_cols("A:B"))
dim(col)

lähtö:

## [1] 150   2

Huomautus: alue = solun_sarakkeet("A:B"), palauttaa tulosteen kaikki solut, joiden arvo ei ole nolla. Tietojoukko sisältää 150 riviä, joten read_excel() palauttaa rivejä enintään 150. Tämä varmistetaan dim()-funktiolla.

na-argumentti kertoo read_excel()-funktiolle, mitä arvoja puuttuvina käsitellään. Laske ne sum()- ja is.na()-funktioilla:

1. summa
2. is.na

Tässä on koodi

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

lähtö:

## [1] 50

Meiltä puuttuu 50 arvoa, jotka ovat setosalajeihin kuuluvia rivejä.

Tuo tietoja muista tilasto-ohjelmistoista

Tiedostot muista tilastopaketeista tuodaan satama paketti, joka tukee SAS, STATA ja SPSS. Voimme käyttää seuraavaa funktiota avataksemme erityyppisiä tietojoukkoja tiedostopäätteen mukaan:

• SAS: read_sas()
• TILA: read_dta() (tai read_stata(), jotka ovat identtisiä)
• SPSS: read_sav() tai read_por(). Meidän on tarkistettava laajennus

Jokainen näistä funktioista tarvitsee vain yhden argumentin, polun, johon tiedosto on tallennettu, ja jokainen hyväksyy URL yhtä helposti kuin paikallinen polku.

library(haven)

haven mukana conda r-essential muuten mene linkkiä tai terminaaliin conda asenna -c conda-forge r-haven

Lue SAS-tiedostoja

Esimerkkissämme aiomme käyttää IDRE:n pääsytietojoukkoa.

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

lähtö:

## # 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

Lue STATA-tiedostoja

STATA-datatiedostoille voit käyttää read_dta(). Käytämme täsmälleen samaa tietojoukkoa, mutta tallennamme .dta-tiedostoon.

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

lähtö:

## # 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

Lue SPSS-tiedostoja

read_sav() avaa SPSS-tiedoston, jonka tiedostopääte on .sav.

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

lähtö:

## # 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

Tietojen tuonnin parhaat käytännöt

Alla olevan tarkistuslistan läpikäyminen ennen tuontia säästää suurimman osan jälkikäteen tehtävästä siivouksesta:

• Tyypillinen laskentataulukon muoto on käyttää ensimmäisiä rivejä otsikkona (yleensä muuttujien niminä).
• Vältä välilyöntejä tiedosto- tai sarakenimessä, koska ne voidaan lukea sarakeerottimena. Käytä niiden sijaan alaviivaa.
• Lyhyet nimet ovat suositeltavia
• Älä käytä nimessä symboleja. Kirjoita vaihtokurssi_dollar_euro vaihtokurssi_$_€ sijaan.
• Koodaa puuttuvat arvot NA-muodossa tyhjien merkkien, viivojen tai vartijanumeroiden, kuten -99, sijaan, jotka muuten pitäisi siivota jälkikäteen.

Tietojen tuominen R:ään: Funktioviite

Alla olevassa taulukossa luetellaan kunkin tiedostotyypin tuontifunktio, sitä tarjoava kirjasto ja sen oletusargumentit:

Toinen taulukko näyttää tapoja tuoda valinta read_excel()-funktiolla:

UKK