นำเข้าข้อมูลใน R: อ่านไฟล์ CSV, Excel, SPSS, Stata, SAS

ข้อมูลอาจมีอยู่ในรูปแบบต่างๆ สำหรับแต่ละรูปแบบ R มีฟังก์ชันและอาร์กิวเมนต์เฉพาะ บทช่วยสอนนี้จะอธิบายวิธีการนำเข้าข้อมูลไปยัง R

อ่านไฟล์ CSV

รูปแบบข้อมูลที่ใช้กันอย่างแพร่หลายที่สุดคือ .csv หรือค่าที่คั่นด้วยเครื่องหมายจุลภาค R จะโหลดไลบรารีต่างๆ ในระหว่างการเริ่มต้นระบบ รวมถึงแพ็กเกจ utils ด้วย แพ็กเกจนี้มีฟังก์ชัน read.csv() ซึ่งเป็นวิธีมาตรฐานในการเปิดไฟล์ CSV นี่คือไวยากรณ์:

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

ข้อโต้แย้ง:

• ไฟล์: PATH ที่เก็บไฟล์
• ส่วนหัว: ยืนยันว่าไฟล์มีส่วนหัวหรือไม่ โดยค่าเริ่มต้น ส่วนหัวจะถูกตั้งค่าเป็น TRUE
• กันยายน: สัญลักษณ์ที่ใช้แยกตัวแปร โดยค่าเริ่มต้น `,`

เราจะอ่านชื่อไฟล์ข้อมูล mtcats ไฟล์ CSV จะถูกจัดเก็บออนไลน์ หากไฟล์ .csv ของคุณถูกจัดเก็บไว้ในเครื่อง คุณสามารถแทนที่ PATH ภายในข้อมูลโค้ดได้ อย่าลืมห่อไว้ข้างใน '' PATH จะต้องเป็นค่าสตริง

สำหรับผู้ใช้ Mac เส้นทางสำหรับโฟลเดอร์ดาวน์โหลดคือ:

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

สำหรับผู้ใช้ Windows:

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

โปรดทราบว่าเราควรระบุนามสกุลของชื่อไฟล์เสมอ

• . 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"

ใน R เวอร์ชันก่อน 4.0.0 เมธอด read.csv() จะแปลงคอลัมน์ประเภท character ทุกคอลัมน์ให้เป็น factor ซึ่งเป็นเหตุผลว่าทำไม class(df$X) จึงคืนค่าเป็น “factor” ในตัวอย่างข้างต้น คุณสามารถปิดการใช้งานได้โดยใช้ 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)

Output:

## [1] "character"

คลาสสำหรับตัวแปร X กลายเป็นอักขระแล้ว

read.csv() กับ read_csv(): ควรใช้ตัวไหนดี?

ฟังก์ชัน `read.csv()` มีอยู่ใน R เวอร์ชันพื้นฐานและไม่จำเป็นต้องใช้แพ็กเกจเพิ่มเติม แต่แพ็กเกจ `readr` จะเพิ่มฟังก์ชัน `read_csv()` ซึ่งทำงานได้เร็วกว่าและตัดสินใจแทนผู้ใช้น้อยกว่า

library(readr)
df <- read_csv(PATH)

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

ใช้ read.csv() สำหรับไฟล์ขนาดเล็กและสคริปต์ที่ต้องทำงานโดยไม่ต้องใช้แพ็กเกจเพิ่มเติม ใช้ read_csv() เมื่อไฟล์มีขนาดใหญ่หรือเมื่อการรักษาชื่อคอลัมน์ให้ถูกต้องมีความสำคัญ

อ่านไฟล์ Excel

Excel ไฟล์เป็นที่นิยมมากในหมู่นักวิเคราะห์ข้อมูล สเปรดชีตใช้งานง่ายและยืดหยุ่น R ติดตั้งไลบรารี readxl เพื่อนำเข้าสเปรดชีต Excel

ใช้รหัสนี้

require(readxl)

เพื่อตรวจสอบว่ามีการติดตั้ง readxl ในเครื่องของคุณหรือไม่ หากคุณติดตั้ง r ด้วย r-conda-essential แสดงว่าไลบรารีได้รับการติดตั้งแล้ว คุณควรเห็นในหน้าต่างคำสั่ง:

Output:

Loading required package: readxl.

หากยังไม่ได้ติดตั้งแพ็กเกจ คุณสามารถติดตั้งได้โดยใช้ conda ห้องสมุด หรือในเทอร์มินัล ให้ใช้ conda install -c mittner r-readxl

ใช้คำสั่งต่อไปนี้เพื่อโหลดไลบรารีเพื่อนำเข้าไฟล์ Excel

library(readxl)

readxl_example()

เราใช้ตัวอย่างที่รวมอยู่ในแพ็คเกจ readxl ในระหว่างบทช่วยสอนนี้

ใช้รหัส

readxl_example()

เพื่อดูสเปรดชีตที่มีอยู่ทั้งหมดในไลบรารี

หากต้องการตรวจสอบตำแหน่งที่ตั้งของไฟล์สเปรดชีตเฉพาะ ให้ระบุชื่อไฟล์นั้น:

readxl_example("geometry.xls")

หากคุณติดตั้ง R ด้วย conda สเปรดชีตจะอยู่ใน Anaconda3/lib/R/library/readxl/extdata/filename.xls

read_excel()

ฟังก์ชัน read_excel() เปิดไฟล์ทั้งนามสกุล .xls และ .xlsx และเลือกตัวแยกวิเคราะห์ที่ถูกต้องโดยอัตโนมัติ

ไวยากรณ์คือ:

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

เราสามารถนำเข้าสเปรดชีตจากไลบรารี readxl และนับจำนวนคอลัมน์ในชีตแรก

# 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()

ไฟล์ datasets.xlsx ประกอบด้วย 4 แผ่นงาน เราสามารถค้นหาว่ามีแผ่นงานใดบ้างในสมุดงานโดยใช้ฟังก์ชัน excel_sheets()

example <- readxl_example("datasets.xlsx")

excel_sheets(example)

Output:

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

ถ้าแผ่นงานมีหลายแผ่นงาน เป็นเรื่องง่ายที่จะเลือกแผ่นงานใดแผ่นหนึ่งโดยใช้อาร์กิวเมนต์ของแผ่นงาน เราสามารถระบุชื่อของแผ่นงานหรือดัชนีแผ่นงานได้ เราสามารถตรวจสอบได้ว่าฟังก์ชันทั้งสองส่งคืนเอาต์พุตเดียวกันโดยมีค่าเหมือนกัน ()

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

เราสามารถควบคุมเซลล์ที่จะอ่านได้ 2 วิธี

1. ใช้อาร์กิวเมนต์ n_max เพื่อส่งคืน n แถว
2. ใช้อาร์กิวเมนต์ช่วงรวมกับ cell_rows หรือ cell_cols

ตัวอย่างเช่น เราตั้งค่า n_max เท่ากับ 5 เพื่อนำเข้าห้าแถวแรก

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

หากเราเปลี่ยน col_names เป็น FALSE R จะสร้างส่วนหัวโดยอัตโนมัติ

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

iris_no_header

ในเฟรมข้อมูล iris_no_header โปรแกรม readxl ได้สร้างชื่อตัวยึดตำแหน่งขึ้นมาห้าชื่อ โดยเวอร์ชันเก่าจะสร้าง X__1 ถึง X__5 ในขณะที่เวอร์ชันปัจจุบันจะสร้าง …1 ถึง …5

นอกจากนี้เรายังสามารถใช้ช่วงอาร์กิวเมนต์เพื่อเลือกแถวและคอลัมน์ในสเปรดชีตได้ ในโค้ดด้านล่าง เราใช้สไตล์ Excel เพื่อเลือกช่วง A1 ถึง B5

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

Output:

## [1] 4 2

example_1 ส่งคืน 4 แถวและ 2 คอลัมน์ ช่วง A1:B5 ครอบคลุมห้าแถวในสเปรดชีต แต่แถวแรกถูกใช้เป็นส่วนหัว ซึ่งเป็นเหตุผลว่าทำไมขนาดจึงเป็น 4 คูณ 2

ในตัวอย่างที่สอง เราใช้ฟังก์ชัน cell_rows() ซึ่งควบคุมช่วงของแถวที่จะส่งคืน หากเราต้องการนำเข้าแถวที่ 1 ถึง 5 เราสามารถตั้งค่า cell_rows(1:5) ได้ โปรดทราบว่า cell_rows(1:5) ส่งคืนเอาต์พุตเดียวกันกับ 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

ในทางตรงกันข้าม example_2 มีขนาด 4 คูณ 5 cell_rows(1:5) จะถือว่าแถวแรกเป็นส่วนหัว ดังนั้นจึงมีการส่งคืนข้อมูลสี่แถวในทุกห้าคอลัมน์

ในกรณีที่เราต้องการนำเข้าแถวที่ไม่ได้เริ่มต้นที่แถวแรก เราจะต้องรวม col_names = FALSE หากเราใช้ range = cell_rows(2:5) จะเห็นได้ชัดว่ากรอบข้อมูลของเราไม่มีส่วนหัวอีกต่อไป

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)

คุณสามารถเลือกคอลัมน์โดยใช้ตัวอักษรได้เช่นเดียวกับใน Excel:

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

Output:

## [1] 150   2

หมายเหตุ: range = cell_cols(“A:B”) ส่งคืนเอาต์พุตเซลล์ทั้งหมดที่มีค่าที่ไม่ใช่ค่าว่าง ชุดข้อมูลประกอบด้วย 150 แถว ดังนั้น read_excel() จะส่งคืนแถวสูงสุด 150 แถว ซึ่งได้รับการยืนยันด้วยฟังก์ชัน dim()

อาร์กิวเมนต์ `na` บอกฟังก์ชัน `read_excel()` ว่าค่าใดบ้างที่ควรถือว่าเป็นค่าที่หายไป นับจำนวนค่าเหล่านั้นด้วยฟังก์ชัน `sum()` และ `is.na()`:

1. รวม
2. is.na

นี่คือรหัส

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

Output:

## [1] 50

เราขาดหายไป 50 ค่า ซึ่งเป็นแถวของสายพันธุ์เซโตซา

นำเข้าข้อมูลจากซอฟต์แวร์สถิติอื่น

ไฟล์จากโปรแกรมวิเคราะห์สถิติอื่นๆ จะถูกนำเข้าด้วย ที่พัก แพ็คเกจ ซึ่งรองรับ SASSTATA และ SPSS เราสามารถใช้ฟังก์ชันต่อไปนี้เพื่อเปิดชุดข้อมูลประเภทต่างๆ ตามนามสกุลไฟล์:

• SAS: read_sas()
• STATA: read_dta() (หรือ read_stata() ซึ่งเหมือนกัน)
• SPSS: read_sav() หรือ read_por() เราจำเป็นต้องตรวจสอบส่วนขยาย

แต่ละฟังก์ชันเหล่านี้ต้องการอาร์กิวเมนต์เพียงตัวเดียว คือ PATH ที่เก็บไฟล์ และแต่ละฟังก์ชันรับพารามิเตอร์เป็น URL สะดวกพอๆ กับเส้นทางท้องถิ่น

library(haven)

เฮเวนมาพร้อมกับ conda r-essential มิฉะนั้นไปที่ ลิงค์ หรือในเทอร์มินัล conda install -c conda-forge r-haven

อ่านไฟล์ SAS

สำหรับตัวอย่างของเรา เราจะใช้ชุดข้อมูลการรับเข้าจาก IDRE

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

อ่านไฟล์ STATA

สำหรับไฟล์ข้อมูล STATA คุณสามารถใช้ read_dta() เราใช้ชุดข้อมูลเดียวกันทุกประการ แต่จัดเก็บไว้ในไฟล์ .dta

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

อ่านไฟล์ SPSS

ฟังก์ชัน read_sav() จะเปิดไฟล์ SPSS ซึ่งมีนามสกุล .sav

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

แนวปฏิบัติที่ดีที่สุดสำหรับการนำเข้าข้อมูล

การตรวจสอบตามรายการด้านล่างนี้ก่อนนำเข้าจะช่วยลดงานทำความสะอาดส่วนใหญ่ในภายหลังได้:

• รูปแบบทั่วไปของสเปรดชีตคือการใช้แถวแรกเป็นส่วนหัว (โดยปกติจะเป็นชื่อตัวแปร)
• ควรหลีกเลี่ยงการเว้นวรรคในชื่อไฟล์หรือชื่อคอลัมน์ เนื่องจากอาจถูกอ่านเป็นตัวคั่นคอลัมน์ ให้ใช้เครื่องหมายขีดล่างแทน
• ชื่อสั้นเป็นที่ต้องการ
• ห้ามใช้สัญลักษณ์ในชื่อไฟล์ ให้เขียนว่า exchange_rate_dollar_euro แทนที่จะเป็น exchange_rate_$_€
• กำหนดค่าที่หายไปเป็น NA แทนที่จะเป็นช่องว่าง ขีดกลาง หรือตัวเลขบ่งชี้ เช่น -99 ซึ่งจะต้องทำความสะอาดในภายหลัง

การนำเข้าข้อมูลใน R: คู่มืออ้างอิงฟังก์ชัน

ตารางด้านล่างแสดงรายการฟังก์ชันนำเข้าสำหรับไฟล์แต่ละประเภท ไลบรารีที่จัดหาฟังก์ชันนั้น และอาร์กิวเมนต์เริ่มต้น:

ตารางที่สองแสดงวิธีการนำเข้าข้อมูลที่เลือกโดยใช้ฟังก์ชัน read_excel():

คำถามที่พบบ่อย