R语言笔记2：读写数据所需的主要函数、与外部环境交互

作者：圈圈

来源公众号：宏基因组

前文传送门：

Getting Data In and Out of R

（一）读取数据

读取数据所需的几种函数：

• read.table、 read.csv：最常用的读取列表数据函数，可返回数据框形式。

• readLines：逐行读取文本文件，返回一个字符向量

• source：读取R代码、脚本

• dget：读取R代码（读取的是以逆句法分析后以文本文件储存的R对象）

• load、 unserialize：把二进制对象读入R

read.table()参数：

• file：文件名（字符串，即文件路径）

• header：逻辑标志，表明第一行是否有表头、行名（是变量名还是数据）

• sep：分隔符（字符串，表明每一列是怎么分隔的，可能是逗号、冒号、空格等）

• colClasses：字符向量（长度=数据集列数）说明数据集中每一列数据的类别

• nrows：数据集中数据的行数

• comment.char：字符串（用于表明文件中注释的字符）

• skip：指定文件（非数据区域）从上到下多少行可忽略

• stringsAsFactors：选择是否把文字变量编码为因子，默认为TRUE

将文件存至Rstudio识别的路径

在 read.table()函数中填写文件名之前，需要将文件存到正确的路径中

例如：

1. > ## 查看保存路径

2. > getwd()

3. [1] "d:/Program Files/RStudio"

4. > ## 修改保存路径

5. > setwd("E:/read data")

6. > ## 读取文件

7. > read.csv(data.csv, TRUE)

8. >

9. > ## 运行文件

10. > data <- read.csv("data.csv", header = FALSE)

11. > data

读取中小型数据集时

直接写文件名

1. > data <- read.table("foo.txt")

读取大型数据集时

你需要先清楚该数据占多大内存，如果不设置其他参数，R会默认将整个数据集都载入内存中。

• 如果文件中没有注释行的话，那可以把 comment.char 设置为空，即 comment.char=""

• colClasses 参数很重要，如果不设置，R会扫描每一列数据并判断其类型，非常耗费时间。

• 如果所有列都是同一数据类型，可以直接统一设置 colClasses=numeric

• 如果所有列的数据类型不统一，可以通过设定 nrow()参数，如下

1. initial <- read.table("datatable.txt", nrows = 100)          #先读前100行

2. classes <- sapply (initial, class)                           #sapply()遍历每一列，调用class函数告诉你每一列的数据类型，然后将这些信息储存在classes中，

3. tabALL <- read.table("datatable.txt", colClasses = classes)  #读取整个数据时，使用classes中的信息来指定colClasses）

（二）写入数据

与读取数据所用函数相对应的写入数据函数：

• write.table、 write.csv

• writeLines

• dump

• dput

• save、 serialize

（三）输出函数

dump()和 dput()是两种重要的输出函数，用于储存格式和数据。

它们可以包含更多元的数据，属于文本格式但是和表格形式有所不同。如果你对数据框使用 dump()和 dput() 函数，输出结果包括数据框每一列的数据类型，这样读取的是后就不用再次指定类别了。

source和 dget函数可以读取未经 dump()和 dput() 输出的数据

dput()

dput() 可以生成一些代码，这些代码可用于重建R对象：

1. > ## Create a data frame

2. > y <- data.frame(a = 1, b = "a")  

3. > ## Print 'dput' output to console

4. > dput(y)                          

5. structure(list(a = 1, b = structure(1L, .Label = "a", class = "factor")), .Names = c("a",

6. "b"), row.names = c(NA, -1L), class = "data.frame")

输出也可以直接保存到文件中，然后通过 dget() 读取：

1. > ## Send 'dput' output to a file

2. > dput(y, file = "y.R")            

3. > ## Read in 'dput' output from a file

4. > new.y <- dget("y.R")            

5. > new.y

6.  a b

7. 1 1 a

dump()

dump()函数和 dget()类似，区别是后者只能对单一R对象使用，而 dump() 可作用于多个R对象，接受的是一个包含对象名字的字符向量。

1. > ##创建两个对象x和y

2. > x <- "foo"

3. > y <- data.frame(a = 1L, b = "a")

4. > ## 传递dump参数，包含对象的名字，以及另一个文件名，即将这些对象储存在这个文件中

5. > dump(c("x", "y"), file = "data.R")

6. > ##删除两个对象

7. > rm(x, y)

8. > ##对储存对象调用source函数

9. > source("data.R")

10. > ##重建x, y

11. > str(y)

12. 'data.frame':   1 obs. of  2 variables:

13. $ a: int 1

14. $ b: Factor w/ 1 level "a": 1

15. > x

16. [1] "foo"

（四）与外部环境交互

R通过一些主要函数与外界交互，建立联系。

最常见的联系是与文件建立关联。如 file() 读取文本文件 、 gzfile() 和 bzfile()读取压缩文件等。 url() 可用于与网页建立联系。

联系交互背后的思想是它提炼出与不同类型的R外部对象建立联系的机制。

file函数的几种参数

其中，description是文件名，open参数需要一个标识，包括r（读取，reading），w（写入，writing），a（附加，appending），rb、wb和ab分别表示读取、写入和附加二进制文件。

1. > str(file)

2. function (description = "", open = "", blocking = TRUE, encoding = getOption("encoding"),

3.    raw = FALSE, method = getOption("url.method", "default"))  

举例，查看名为"foo.txt"的csv.文件

1. > ## Create a connection to 'foo.txt'

2. > con <- file("foo.txt")      

3. >

4. > ## Open connection to 'foo.txt' in read-only mode

5. > open(con, "r")              

6. >

7. > ## Read from the connection

8. > data <- read.csv(con)        

9. >

10. > ## Close the connection

11. > close(con)                

以上三行命令和直接使用read.csv函数的效果一样，因此建立联系的必要性不大

1. > data <- read.csv("foo.txt")

但是当你只想读取文件的一部分的话，联系是有必要的。例如，建立联系后，使用readLines函数读取文件前10行：

1. > ## Open connection to gz-compressed text file

2. > con <- gzfile("words.gz")  

3. > x <- readLines(con, 10)

4. > x

5. [1] "1080"     "10-point" "10th"     "11-point" "12-point" "16-point"

6. [7] "18-point" "1st"      "2"        "20-point"

读取网页数据

首先使用 url() 函数与网页建立联系。然后通过readLines函数来读取文本。这是除了 read.table() 和 read.csv()之外用来读取数据的另外一种方式。

1. > ## Open a URL connection for reading

2. > con <- url("http://www.jhsph.edu", "r")  

3. >

4. > ## Read the web page

5. > x <- readLines(con)                      

6. >

7. > ## Print out the first few lines

8. > head(x)                                  

9. [1] "<!DOCTYPE html>"                                              

10. [2] "<html lang=\"en\">"                                            

11. [3] ""                                                              

12. [4] "<head>"                                                        

13. [5] "<meta charset=\"utf-8\" />"                                    

14. [6] "<title>Johns Hopkins Bloomberg School of Public Health</title>"

参考资料：

1. https://bookdown.org/rdpeng/rprogdatascience/R Programming for Data Science

2. 《R语言实战》 Robert I. Kabacoff

　往期精彩内容整理合集　

公众号后台回复关键字即可学习

回复 R                  R语言快速入门及数据挖掘 
回复 Kaggle案例  Kaggle十大案例精讲（连载中）
回复 文本挖掘      手把手教你做文本挖掘
回复 可视化          R语言可视化在商务场景中的应用 
回复 大数据         大数据系列免费视频教程 
回复 量化投资      张丹教你如何用R语言量化投资 
回复 用户画像      京东大数据，揭秘用户画像
回复 数据挖掘     常用数据挖掘算法原理解释与应用
回复 机器学习     人工智能系列之机器学习与实践
回复 爬虫            R语言爬虫实战案例分享