Importer des données dans R : lire des fichiers CSV, Excel, SPSS, Stata, SAS

⚡ Résumé intelligent

L'importation de données dans R explique comment lire des fichiers CSV avec `read.csv()`, des classeurs Excel avec `readxl` et des fichiers SAS, STATA ou SPSS avec `haven`. Ce guide montre également comment sélectionner précisément les feuilles, les lignes et les plages de cellules lors de l'importation.

  • 📄 Importation CSV : La fonction `read.csv(file, header = TRUE, sep = ",")` charge un fichier CSV (valeurs séparées par des virgules) depuis un chemin local ou un autre emplacement. URL.
  • ⚠️ Changement de version : Depuis R 4.0.0, les colonnes de caractères restent des caractères, car stringsAsFactors est désormais défini par défaut sur FALSE.
  • 📗 Importation Excel : La fonction read_excel() de readxl gère à la fois les fichiers .xls et .xlsx, et la fonction excel_sheets() liste d'abord chaque feuille de calcul.
  • (I.e. Sélection précise : n_max limite les lignes, range prend la notation Excel et cell_rows() ou cell_cols() prennent des index et des lettres.
  • (I.e. Autres logiciels : haven fournit les fonctions read_sas(), read_dta() et read_sav(), chacune nécessitant uniquement un chemin ou URL.
  • 🧹 Entrée propre : Encodez les valeurs manquantes en NA et évitez les espaces ou les symboles dans les noms de colonnes avant l'importation.

Importer des données dans R

Les données peuvent exister sous différents formats. Pour chaque format R a une fonction et un argument spécifiques. Ce tutoriel explique comment importer des données vers R.

Lire les fichiers CSV

Le format de données le plus couramment utilisé est le .csv (valeurs séparées par des virgules). Au démarrage, R charge plusieurs bibliothèques, dont le package utils. Ce package fournit la fonction read.csv(), la méthode standard pour ouvrir un fichier CSV. Voici la syntaxe :

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

Argument:

  • filet: CHEMIN où le fichier est stocké
  • entête: confirme si le fichier a un en-tête ou non, par défaut, l'en-tête est défini sur TRUE
  • sep: le symbole utilisé pour diviser la variable. Par défaut, `,`.

Nous lirons le nom du fichier de données mtcats. Le fichier csv est stocké en ligne. Si votre fichier .csv est stocké localement, vous pouvez remplacer le PATH dans l'extrait de code. N'oubliez pas de l'envelopper à l'intérieur de « ». Le PATH doit être une valeur de chaîne.

Pour les utilisateurs Mac, le chemin du dossier de téléchargement est :

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

Pour l'utilisateur Windows :

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

Notez que nous devons toujours spécifier l’extension du nom du fichier.

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

Sortie :

## [1] 12
class(df$X)

Sortie :

## [1] "factor"

Dans les versions de R antérieures à la 4.0.0, la fonction `read.csv()` convertissait chaque colonne de caractères en facteur, ce qui explique pourquoi `class(df$X)` renvoie « factor » ci-dessus. Vous pouvez désactiver ce comportement avec `stringsAsFactors = FALSE`.

⚠️ Note de version : Depuis R4.0.0 Par défaut, stringsAsFactors = FALSE ; les colonnes de caractères restent donc de type caractère et le premier exemple renvoie désormais « character » sur une installation récente. Passer l’argument explicitement, comme ci-dessous, donne le même résultat sur toutes les versions et constitue la pratique la plus sûre.

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

Sortie :

## [1] "character"

La classe de la variable X est désormais un caractère.

read.csv() vs read_csv() : lequel utiliser ?

La fonction `read.csv()` est fournie avec R de base et ne nécessite aucun package. Le package `readr` ajoute `read_csv()`, qui est plus rapide et simplifie le processus.

Critères lire.csv() (utilitaires) lire_csv() (lecteur)
Colis nécessaire Aucun lecteur
Vitesse de traitement des fichiers volumineux Ralentissez Plusieurs fois plus rapide
Retours de produits data.frame chatouiller
Noms de colonnes Espaces convertis en points Conservé exactement comme écrit
Détection de type Silent Signalé dans une spécification de colonne
library(readr)
df <- read_csv(PATH)

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

Utilisez `read.csv()` pour les petits fichiers et les scripts qui doivent s'exécuter sans paquetage supplémentaire. Utilisez `read_csv()` lorsque le fichier est volumineux ou lorsque la conservation exacte des noms de colonnes est importante.

Lire les fichiers Excel

Excel les fichiers sont très populaires parmi les analystes de données. Les feuilles de calcul sont faciles à utiliser et flexibles. R est équipé d'une bibliothèque readxl pour importer une feuille de calcul Excel.

Utilisez ce code

require(readxl)

pour vérifier si readxl est installé sur votre machine. Si vous installez r avec r-conda-essential, la bibliothèque est déjà installée. Vous devriez voir dans la fenêtre de commande :

Sortie :

Loading required package: readxl.

Si le paquet n'est pas installé, vous pouvez l'installer avec conda. bibliothèque math ou dans le terminal, utilisez conda install -c mittner r-readxl.

Utilisez la commande suivante pour charger la bibliothèque afin d'importer des fichiers Excel.

library(readxl)

readxl_example()

Nous utilisons les exemples inclus dans le package readxl au cours de ce tutoriel.

Utilisez le code

readxl_example()

pour voir toutes les feuilles de calcul disponibles dans la bibliothèque.

Readxl_Exemple

Pour vérifier l'emplacement d'une feuille de calcul particulière, indiquez son nom :

readxl_example("geometry.xls")

Readxl_Exemple

Si vous installez R avec conda, les feuilles de calcul se trouvent dans Anaconda3/lib/R/library/readxl/extdata/filename.xls

read_excel()

La fonction read_excel() ouvre les fichiers aux extensions .xls et .xlsx et sélectionne automatiquement le bon analyseur syntaxique.

La syntaxe est:

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

Nous pouvons importer les feuilles de calcul de la bibliothèque readxl et compter le nombre de colonnes dans la première feuille.

# 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)

Sortie :

## [1] 5

excel_sheets()

Le fichier datasets.xlsx est composé de 4 feuilles. Nous pouvons découvrir quelles feuilles sont disponibles dans le classeur en utilisant la fonction excel_sheets()

example <- readxl_example("datasets.xlsx")

excel_sheets(example)

Sortie :

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

Si une feuille de calcul comprend plusieurs feuilles, il est facile de sélectionner une feuille particulière à l'aide des arguments de feuille. On peut préciser le nom de la feuille ou l'index de la feuille. Nous pouvons vérifier si les deux fonctions renvoient la même sortie avec identique().

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

Sortie :

## [1] TRUE

Nous pouvons contrôler quelles cellules lire de 2 manières

  1. Utilisez l'argument n_max pour renvoyer n lignes
  2. Utiliser l'argument range combiné avec cell_rows ou cell_cols

Par exemple, nous définissons n_max égal à 5 ​​pour importer les cinq premières lignes.

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

Excel_Feuilles

Si nous changeons col_names en FALSE, R crée automatiquement les en-têtes.

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

iris_no_header

Dans le cadre de données iris_no_header, readxl a généré cinq noms d'espace réservé. Les anciennes versions produisaient X__1 à X__5, tandis que les versions actuelles produisent …1 à …5.

Excel_Feuilles

Nous pouvons également utiliser la plage d'arguments pour sélectionner des lignes et des colonnes dans la feuille de calcul. Dans le code ci-dessous, nous utilisons le style Excel pour sélectionner la plage A1 à B5.

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

Sortie :

## [1] 4 2

L'exemple 1 renvoie 4 lignes et 2 colonnes. La plage A1:B5 couvre cinq lignes de la feuille de calcul, mais la première est utilisée comme en-tête, ce qui explique les dimensions 4 x 2.

Excel_Feuilles

Dans le deuxième exemple, nous utilisons la fonction cell_rows() qui contrôle la plage de lignes à renvoyer. Si nous voulons importer les lignes 1 à 5, nous pouvons définir cell_rows(1:5). Notez que cell_rows(1:5) renvoie le même résultat que 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)

Sortie :

## [1] 4 5

En revanche, example_2 est de 4 par 5. cell_rows(1:5) traite à nouveau la première ligne comme l'en-tête, donc quatre lignes de données sont renvoyées sur les cinq colonnes.

Excel_Feuilles

Si nous souhaitons importer des lignes qui ne commencent pas à la première ligne, nous devons inclure col_names = FALSE. Si nous utilisons range = cell_rows(2:5), il devient évident que notre bloc de données n'a plus d'en-tête.

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)

Excel_Feuilles

Vous pouvez également sélectionner les colonnes par lettre, exactement comme dans Excel :

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

Sortie :

## [1] 150   2

Remarque : range = cell_cols("A:B"), renvoie la sortie de toutes les cellules avec une valeur non nulle. L'ensemble de données contient 150 lignes, par conséquent read_excel() renvoie des lignes jusqu'à 150. Ceci est vérifié avec la fonction dim().

L'argument `na` indique à `read_excel()` quelles valeurs considérer comme manquantes. Comptez-les avec `sum()` et `is.na()`.

  1. somme
  2. est.na

Voici le code

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

Sortie :

## [1] 50

Il nous manque 50 valeurs, qui sont les lignes appartenant à l'espèce setosa.

Importer des données à partir d'autres logiciels statistiques

Les fichiers provenant d'autres logiciels statistiques sont importés avec havre paquet, qui prend en charge SASSTATA et SPSS. Nous pouvons utiliser la fonction suivante pour ouvrir différents types de jeux de données, selon leur extension :

  • SAS : read_sas()
  • STATA : read_dta() (ou read_stata(), qui sont identiques)
  • SPSS : read_sav() ou read_por(). Nous devons vérifier l'extension

Chacune de ces fonctions ne nécessite qu'un seul argument, le chemin d'accès où se trouve le fichier, et chacune accepte un URL aussi facilement qu'un chemin local.

library(haven)

Haven est livré avec Conda R-Essential, sinon allez au lien ou dans le terminal conda install -c conda-forge r-haven

Lire les fichiers SAS

Pour notre exemple, nous allons utiliser l'ensemble de données d'admission de l'IDRE.

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

Sortie :

## # 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

Lire les fichiers STATA

Pour les fichiers de données STATA, vous pouvez utiliser read_dta(). Nous utilisons exactement le même ensemble de données mais stockons dans un fichier .dta.

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

Sortie :

## # 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

Lire les fichiers SPSS

La fonction read_sav() ouvre un fichier SPSS, qui porte l'extension .sav.

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

Sortie :

## # 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

Meilleures pratiques pour l’importation de données

Passer en revue la liste de vérification ci-dessous avant l'importation permet d'éviter la majeure partie du travail de nettoyage ultérieur :

  • Le format typique d'une feuille de calcul consiste à utiliser les premières lignes comme en-tête (généralement le nom des variables).
  • Évitez les espaces dans un nom de fichier ou de colonne, car ils peuvent être interprétés comme un séparateur de colonnes. Utilisez plutôt un trait de soulignement.
  • Les noms courts sont préférés
  • N’utilisez pas de symboles dans un nom. Écrivez exchange_rate_dollar_euro plutôt que exchange_rate_$_€.
  • Encodez les valeurs manquantes comme NA plutôt que comme des espaces, des tirets ou des nombres sentinelles tels que -99, qui doivent sinon être nettoyés ultérieurement.

Importer des données dans R : Référence des fonctions

Le tableau ci-dessous répertorie la fonction d'importation pour chaque type de fichier, la bibliothèque qui la fournit et ses arguments par défaut :

Bibliothèque Objectif Fonction Arguments par défaut
utils Lire le fichier CSV lire.csv() fichier, en-tête = VRAI, séparateur = ",
lirexl Lire le fichier EXCEL read_excel() chemin, plage = NULL, col_names = VRAI
havre Lire le fichier SAS read_sas() chemin
havre Lire le fichier STATA lire_dta() / lire_stata() chemin
havre Lire le fichier SPSS read_sav() chemin

Le deuxième tableau présente les méthodes d'importation d'une sélection avec read_excel() :

Fonction Objectif Arguments
read_excel() Lire n nombre de lignes n_max = 10
Sélectionnez les lignes et les colonnes comme dans Excel plage = « A1 : D10 »
Sélectionnez des lignes avec des index plage = cell_rows (1: 3)
Sélectionnez les colonnes avec des lettres plage = cell_cols("A:C")

FAQ

Dans R 4.0.0, la valeur par défaut de `stringsAsFactors` est passée de `TRUE` à `FALSE`. Les colonnes de type caractère restent désormais de type caractère. Si votre script doit se comporter de manière identique sur les versions antérieures de R, spécifiez explicitement l'argument.

Remplacez le URL avec le chemin d'accès local complet entre guillemets, par exemple « C:\Users\nom\data.csv ». Utilisez des barres obliques ou des doubles barres obliques inverses sur Windows, et confirmez le répertoire de travail avec getwd().

readxl lit les fichiers .xls et .xlsx en R pur sans aucun Java dépendance. Seul l'ancien package xlsx le requiert Java par rJavaC’est pourquoi readxl est le choix recommandé.

Les modifications silencieuses des types de données lors de l'importation sont une cause fréquente de résultats d'IA non reproductibles. Déclarer explicitement les types de colonnes, tels que rapportés par `read_csv()`, garantit que le jeu de données d'entraînement se charge de manière identique à chaque fois.

Oui. Les assistants IA peuvent diagnostiquer les séparateurs incorrects, les problèmes d'encodage et les erreurs d'interprétation des en-têtes à partir d'un message d'erreur. Il est toujours conseillé de vérifier le résultat avec `str()` ou `glimpse()` avant de poursuivre l'analyse.

Résumez cet article avec :