在 R 中导入数据：读取 CSV、Excel、SPSS、Stata、SAS 文件

数据可以以各种格式存在。对于每种格式 R 具有特定的函数和参数。本教程讲解如何将数据导入 R。

读取 CSV 文件

最常用的数据格式是 .csv，即逗号分隔值。R 在启动时会加载一系列库，其中包括 utils 包。该包提供了 read.csv() 函数，这是打开 CSV 文件的标准方法。以下是语法：

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

争论:

• 文件：文件存储的路径
• 头：确认文件是否有文件头，默认情况下，文件头设置为TRUE
• 九月：用于分割变量的符号，默认为`,`。

我们将读取数据文件名为 mtcats。csv 文件存储在线。如果您的 .csv 文件存储在本地，您可以替换代码片段中的 PATH。不要忘记将其包装在 ' ' 内。PATH 需要是一个字符串值。

对于 Mac 用户，下载文件夹的路径是：

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

对于 Windows 用户：

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

请注意，我们应该始终指定文件名的扩展名。

• 。CSV
• .XLSX
• 。文本
• ...

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

输出：

## [1] 12

class(df$X)

输出：

## [1] "factor"

在 R 4.0.0 之前的版本中，`read.csv()` 会将每个字符列转换为因子，这就是为什么上面的 `class(df$X)` 返回“factor”的原因。您可以使用 `stringsAsFactors = FALSE` 来关闭此转换。

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

输出：

## [1] "character"

变量 X 的类现在是一个字符。

read.csv() 与 read_csv()：应该使用哪个？

R 基础包自带 read.csv() 函数，无需额外包。readr 包则添加了 read_csv() 函数，该函数速度更快，并且自动执行的决策更少。

library(readr)
df <- read_csv(PATH)

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

对于小型文件和必须在不加载额外包的情况下运行的脚本，请使用 `read.csv()`。当文件较大或需要保留精确的列名时，请使用 `read_csv()`。

读取 Excel 文件

Excel 文件在数据分析师中非常流行。电子表格易于使用且灵活。R 配备了库 readxl 来导入 Excel 电子表格。

使用此代码

require(readxl)

检查您的机器上是否安装了 readxl。如果​​您使用 r-conda-essential 安装 r，则该库已安装。您应该在命令窗口中看到：

输出：

Loading required package: readxl.

如果该软件包未安装，您可以使用 conda 进行安装。 图书馆 或者在终端中，使用 conda install -c mittner r-readxl。

使用以下命令加载库以导入excel文件。

library(readxl)

readxl_example（）

我们在本教程中使用 readxl 包中包含的示例。

使用代码

readxl_example()

查看库中所有可用的电子表格。

要查看特定电子表格的位置，请传递其名称：

readxl_example("geometry.xls")

如果您使用 conda 安装 R，则电子表格位于 Anaconda3/lib/R/library/readxl/extdata/filename.xls

读取excel（）

read_excel() 函数可以打开 .xls 和 .xlsx 扩展名的文件，并自动选择正确的解析器。

语法是：

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

我们可以从 readxl 库导入电子表格并计算第一张表中的列数。

# 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)

输出：

## [1] 5

excel_sheets（）

文件 datasets.xlsx 由 4 个工作表组成。我们可以使用 excel_sheets() 函数找出工作簿中有哪些工作表可用

example <- readxl_example("datasets.xlsx")

excel_sheets(example)

输出：

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

如果工作表包含多张工作表，则可以使用工作表参数轻松选择特定工作表。我们可以指定工作表的名称或工作表索引。我们可以使用 same() 验证两个函数是否返回相同的输出。

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

输出：

## [1] TRUE

我们可以通过两种方式控制读取哪些单元格

1. 使用 n_max 参数返回 n 行
2. 使用范围参数与 cell_rows 或 cell_cols 结合使用

例如，我们设置 n_max 等于 5 来导入前五行。

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

如果我们将 col_names 更改为 FALSE，R 会自动创建标题。

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

iris_no_header

在数据框 iris_no_header 中，readxl 生成了五个占位符名称。旧版本生成 X__1 到 X__5，而当前版本生成 …1 到 …5。

我们还可以使用参数范围来选择电子表格中的行和列。在下面的代码中，我们使用 excel 样式来选择范围 A1 到 B5。

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

输出：

## [1] 4 2

example_1 返回 4 行 2 列。A1:B5 区域覆盖了电子表格的五行，但第一行被用作标题行，因此维度为 4x2。

在第二个示例中，我们使用函数 cell_rows() 来控制要返回的行的范围。如果我们要导入 1 到 5 行，我们可以设置 cell_rows(1:5)。请注意，cell_rows(1:5) 返回的输出与 cell_rows(5:1) 相同。

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

输出：

## [1] 4 5

相比之下，示例 2 是 4 行 5 列。cell_rows(1:5) 再次将第一行视为标题，因此返回了所有五列的四行数据。

如果我们想要导入不是从第一行开始的行，我们必须包含 col_names = FALSE。如果我们使用 range = cell_rows(2:5)，很明显我们的数据框不再有标题。

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)

您还可以像在 Excel 中一样，按字母选择列：

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

输出：

## [1] 150   2

注意：range = cell_cols（“A：B”），返回输出所有具有非空值的单元格。数据集包含 150 行，因此 read_excel() 返回最多 150 行。这可以通过 dim() 函数进行验证。

na 参数告诉 read_excel() 函数哪些值应视为缺失值。使用 sum() 和 is.na() 函数统计缺失值的数量：

1. 总和
2. 伊斯那

这是代码

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

输出：

## [1] 50

我们缺少 50 个值，这些值是属于 setosa 物种的行。

从其他统计软件导入数据

使用以下方式导入来自其他统计软件包的文件： 避风港 软件包，支持 SAS我们可以使用以下函数根据文件扩展名打开不同类型的数据集：

• SAS: read_sas()
• STATA：read_dta()（或 read_stata()，相同）
• SPSS：read_sav() 或 read_por()。我们需要检查扩展名

这些函数都只需要一个参数，即文件存储的路径，并且每个函数都接受一个 URL 就像本地路径一样便捷。

library(haven)

haven 带有 conda r-essential，否则请转到 链接 或者在终端中安装 -c conda-forge r-haven

读取 SAS 文件

为了举例，我们将使用来自 IDRE 的录取数据集。

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

输出：

## # 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

读取 STATA 文件

对于 STATA 数据文件，您可以使用 read_dta()。我们使用完全相同的数据集，但存储在 .dta 文件中。

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

输出：

## # 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

读取 SPSS 文件

read_sav() 打开 SPSS 文件，该文件带有 .sav 扩展名。

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

输出：

## # 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

数据导入最佳实践

导入前按照以下清单进行检查，可以节省大部分后续清理工作：

• 电子表格的典型格式是使用第一行作为标题（通常是变量名称）。
• 文件名或列名中应避免使用空格，因为空格可能被识别为列分隔符。请改用下划线。
• 最好使用简短的名称
• 名称中不要使用符号。请写成 exchange_rate_dollar_euro，而不是 exchange_rate_$_€。
• 将缺失值编码为 NA，而不是空格、破折号或哨兵数字（例如 -99），否则之后必须进行清理。

R 语言中导入数据：函数参考

下表列出了每种文件类型的导入函数、提供该函数的库及其默认参数：

第二个表格展示了使用 read_excel() 函数导入选定内容的方法：

常见问题