Adatok importálása R-ben: CSV, Excel, SPSS, Stata, SAS fájlok olvasása

Az adatok különféle formátumokban létezhetnek. Minden formátumhoz R meghatározott funkciója és argumentuma van. Ez az oktatóanyag elmagyarázza, hogyan importálhat adatokat R-be.

CSV-fájlok olvasása

A legszélesebb körben használt adatformátum a .csv, vesszővel elválasztott értékek. Az R indításkor egy könyvtártömböt tölt be, beleértve az utils csomagot is. Ez a csomag biztosítja a read.csv() függvényt, a CSV fájlok megnyitásának szabványos módját. A szintaxis a következő:

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

Érv:

• filé: PATH, ahol a fájl tárolva van
• header: annak megerősítése, hogy a fájlnak van-e fejléce vagy sem, alapértelmezés szerint a fejléc TRUE értékre van állítva
• szeptember: a változó felosztására használt szimbólum. Alapértelmezés szerint `,`.

Az mtcats adatfájl nevét fogjuk beolvasni. A csv fájl online tárolása. Ha a .csv fájl helyben van tárolva, lecserélheti a kódrészleten belüli PATH-t. Ne felejtse el becsomagolni a ' ' belsejébe. A PATH-nak karakterlánc-értéknek kell lennie.

Mac felhasználó esetén a letöltési mappa elérési útja a következő:

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

Windows felhasználóknak:

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

Vegye figyelembe, hogy mindig meg kell adnunk a fájlnév kiterjesztését.

• . Csv
• . Xlsx
• . Txt
• ...

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

output:

## [1] 12

class(df$X)

output:

## [1] "factor"

Az R 4.0.0 előtti verziókban a read.csv() minden karakteres oszlopot faktorrá alakított, ezért a class(df$X) a fentiekben „faktor” értéket ad vissza. Kikapcsolhatod a stringsAsFactors = FALSE beállítással.

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

output:

## [1] "character"

Az X változó osztálya most egy karakter.

read.csv() vs read_csv(): Melyiket érdemes használni?

A read.csv() függvény az R alapcsomagot tartalmazza, és nem igényel csomagot. A readr csomag hozzáadja a read_csv() függvényt, amely gyorsabb és kevesebb döntést hoz a felhasználó nevében.

library(readr)
df <- read_csv(PATH)

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

Kis fájlok és olyan szkriptek esetén használd a read.csv() függvényt, amelyeknek extra csomagok nélkül kell futniuk. Használd a read_csv() függvényt, ha a fájl nagy, vagy ha fontos a pontos oszlopnevek megőrzése.

Excel-fájlok olvasása

Excel fájlok nagyon népszerűek az adatelemzők körében. A táblázatok könnyen kezelhetők és rugalmasak. Az R egy readxl könyvtárral van felszerelve az Excel táblázat importálásához.

Használja ezt a kódot

require(readxl)

hogy ellenőrizze, hogy a readxl telepítve van-e a gépen. Ha az r-t az r-conda-essential elemmel telepíti, a könyvtár már telepítve van. A parancsablakban látnia kell:

output:

Loading required package: readxl.

Ha a csomag nincs telepítve, akkor a conda segítségével telepítheti. könyvtár vagy a terminálban használja a conda install -c mittner r-readxl parancsot.

A következő paranccsal töltse be a könyvtárat az Excel fájlok importálásához.

library(readxl)

readxl_example()

Ebben az oktatóanyagban a readxl csomagban található példákat használjuk.

Kóddal

readxl_example()

a könyvtár összes elérhető táblázatának megtekintéséhez.

Egy adott táblázat helyének ellenőrzéséhez adja meg a nevét:

readxl_example("geometry.xls")

Ha az R-t conda-val telepíti, a táblázatok az Anaconda3/lib/R/library/readxl/extdata/filename.xls fájlban találhatók.

read_excel()

A read_excel() függvény megnyitja mind az .xls, mind az .xlsx kiterjesztésű fájlokat, és automatikusan kiválasztja a megfelelő elemzőt.

A szintaxis:

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

A readxl könyvtárból importálhatjuk a táblázatokat, és megszámolhatjuk az első lapon lévő oszlopok számát.

# 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)

output:

## [1] 5

excel_sheets()

A datasets.xlsx fájl 4 lapból áll. Az excel_sheets() függvény segítségével megtudhatjuk, hogy mely lapok érhetők el a munkafüzetben

example <- readxl_example("datasets.xlsx")

excel_sheets(example)

output:

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

Ha egy munkalap sok lapot tartalmaz, könnyen kiválasztható egy adott munkalap a lap argumentumaival. Megadhatjuk a lap nevét vagy a lap indexét. Ellenőrizhetjük, hogy mindkét függvény ugyanazt a kimenetet adja-e vissza az identical()-al.

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

output:

## [1] TRUE

Kétféleképpen szabályozhatjuk, hogy mely cellákat olvassuk

1. Használja az n_max argumentumot n sor visszaadásához
2. Használja a tartomány argumentumot a cell_rows vagy cell_cols paraméterekkel kombinálva

Például az n_max értéket 5-tel állítjuk be az első öt sor importálásához.

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

Ha az oszlopneveket FALSE-ra változtatjuk, az R automatikusan létrehozza a fejléceket.

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

iris_no_header

Az iris_no_header adatkeretben a readxl öt helyőrző nevet generált. A régebbi verziók X__1-től X__5-ig terjedő értékeket, míg a jelenlegi verziók …1-től …5-ig terjedő értékeket generáltak.

Az argumentumtartományt használhatjuk sorok és oszlopok kiválasztására is a táblázatban. Az alábbi kódban az excel stílust használjuk az A1-től B5-ig terjedő tartomány kiválasztásához.

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

output:

## [1] 4 2

Az example_1 függvény 4 sort és 2 oszlopot ad vissza. Az A1:B5 tartomány öt táblázatsort fed le, de az első sort fejlécként használja fel a függvény, ezért a méret 4 x 2.

A második példában a cell_rows() függvényt használjuk, amely szabályozza a visszaadandó sorok tartományát. Ha importálni szeretnénk az 1-től 5-ig terjedő sorokat, beállíthatjuk a cell_rows(1:5) értéket. Vegye figyelembe, hogy a cell_rows(1:5) ugyanazt a kimenetet adja vissza, mint a 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)

output:

## [1] 4 5

A példa_2 ezzel szemben 4 x 5 méretű. A cell_rows(1:5) ismét az első sort kezeli fejlécként, így mind az öt oszlopban négy adatsor kerül visszaadásra.

Abban az esetben, ha olyan sorokat szeretnénk importálni, amelyek nem az első sorban kezdődnek, akkor a következőt kell megadnunk: col_names = FALSE. Ha a range = cell_rows(2:5) értéket használjuk, akkor nyilvánvalóvá válik, hogy adatkeretünknek már nincs fejléce.

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)

Az oszlopokat betű szerint is kijelölheti, pontosan úgy, mint az Excelben:

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

output:

## [1] 150   2

Megjegyzés: tartomány = cell_cols(“A:B”), visszaadja az összes nem nulla értékű cellát. Az adatkészlet 150 sort tartalmaz, ezért a read_excel() legfeljebb 150 sorokat ad vissza. Ezt a dim() függvénnyel ellenőrizzük.

Az na argumentum megmondja a read_excel() függvénynek, hogy mely értékeket tekintse hiányzónak. Számolja meg őket a sum() és az is.na() függvénnyel:

1. összeg
2. is.na

Itt a kód

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

output:

## [1] 50

50 értékünk hiányzik, ezek a setosa fajokhoz tartozó sorok.

Adatok importálása más statisztikai szoftverekből

Más statisztikai csomagokból származó fájlok importálása a következővel történik: kikötő csomag, amely támogatja SAS, STATA és SPSS. A következő függvényt használhatjuk különböző típusú adathalmazok megnyitására, a fájl kiterjesztése szerint:

• SAS: read_sas()
• STATA: read_dta() (vagy read_stata(), amelyek azonosak)
• SPSS: read_sav() vagy read_por(). Ellenőriznünk kell a bővítményt

Ezen függvények mindegyikének csak egyetlen argumentuma van, a fájl tárolási útvonala, és mindegyik elfogad egy URL olyan könnyen, mint egy helyi ösvényen.

library(haven)

haven jön conda r-essential különben megy a link vagy a conda terminálba telepítse a -c conda-forge r-haven

SAS fájlok olvasása

Példánkban az IDRE felvételi adatkészletét fogjuk használni.

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

output:

## # 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

STATA fájlok olvasása

A STATA adatfájlokhoz használhatja a read_dta() parancsot. Pontosan ugyanazt az adatkészletet használjuk, de .dta fájlban tároljuk.

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

output:

## # 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

SPSS fájlok olvasása

A read_sav() függvény megnyit egy SPSS fájlt, amely .sav kiterjesztésű.

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

output:

## # 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

Adatimportálás ajánlott gyakorlatai

Az alábbi ellenőrzőlista átfutása importálás előtt a legtöbb utólagos takarítási munkát megspórolja:

• A táblázatok tipikus formátuma az első sorok használata fejlécként (általában a változók neve).
• Kerüld az üres szóközöket a fájl- vagy oszlopnevekben, mert ezek oszlopelválasztóként olvashatók. Használj helyettük aláhúzásjelet.
• A rövid neveket részesítik előnyben
• Ne használj szimbólumokat a névben. Írd be az árfolyam_dollár_euró kifejezést az árfolyam_$_€ helyett.
• A hiányzó értékeket NA-ként kódolja a szóközök, kötőjelek vagy jelzőszámok (például -99) helyett, amelyeket egyébként utólag törölni kellene.

Adatok importálása R-ben: Függvényreferencia

Az alábbi táblázat felsorolja az egyes fájltípusok importfüggvényeit, az azokat szolgáltató könyvtárat és az alapértelmezett argumentumokat:

A második táblázat a read_excel() függvénnyel történő kijelölés importálásának módjait mutatja be:

GYIK