其他
手把手教你用R语言读取CSV文件
导读:R语言有许多种方法去获取数据,最常用的是读取CSV文件。
read.table
函数,许多人喜欢使用read.csv
函数,该函数其实是封装的read.table
函数,同时设置read.table
函数的sep
参数为逗号(",
")。read.table
函数返回的结果为data.frame
。read.table
函数的第一个参数为文件所在路径,可以是本地文件,也可以是网页上的文件。本书主要是从网页读取文件。read.table
函数读取一个简单的文件(地址如下):> theUrl <-"http://www.jaredlander.com/data/TomatoFirst.csv"
> tomato <-read.table(file=theUrl, header=TRUE, sep=",")
head
命令,我们可以看到下面的结果。> head(tomato)
file
、head
和sep
。函数的参数能够按位置顺序赋值,而不用显式指定参数名,但指定参数名是最佳实践。header
,表示数据的第一行,即列名。第三个参数sed
,表示数据的分隔符。可以设为“\t
”(tab分隔符)或者“;
”(分号分隔符),以读取不同类型的文件。stringAsFactors
。将该参数设为FALSE
(默认是TRUE
)可使字符所在列不被转换成factor
列。这样既节省计算时间(当大数据集包含许多字符列,也意味着有许多唯一值),又能保留列为字符。stringAsFactors
参数也可以用在data.frame
中。再次创建“Sport”列。> x <- 10:1
> y <- -4:5
> q <- c("Hockey", "Football", "Baseball", "Curling", "Rugby",
+ "Lacrosse", "Basketball", "Tennis", "Cricket", "Soccer")
> theDF <-data.frame(First=x, Second=y, Sport=q, stringsAsFac=FALSE)
> theDF$Sport
read.table
函数还有许多参数,最常用的是quote
和colClasses
参数,分别设置字符的包围符和每列的数据类型。read.csv
函数,也有其他用于read.table
的封装函数,也有默认参数。它们主要的区别是sep
和dec
参数。详细情况见表6-1。read.table
函数读取到内存比较慢,幸运的是有解决方案。读取大CSV文件和其他文本文件的两个主流的函数是read_delim
和fread
,前者在readr
包中由Hadley Wickham实现,后者在data.table
包中由Matt Dowle实现。read_delim
和fread
运行相当快,因为两者都不把字符数据自动转换成factor
。readr
包提供读取文本文件的一系列函数。最常用的是read_delim
函数,读取有分隔符的文件,比如CSV文件。该函数的第一个参数是读取的文件路径或者URL。col_names
默认为TRUE
,指定文件的第一行为列名。> library(readr)
> theUrl <- "http://www.jaredlander.com/data/TomatoFirst.csv"
> tomato2 <- read_delim(file=theUrl, delim=',')
Parsed with column specification:
cols(
Round = col_integer(),
Tomato = col_character(),
Price = col_double(),
Source = col_character(),
Sweet = col_double(),
Acid = col_double(),
Color = col_double(),
Texture = col_double(),
Overall = col_double(),
`Avg of Totals` = col_double(),
`Total of Avg` = col_double()
)
read_delim
函数执行后会打印列名和数据类型信息,这些信息也可以使用head.read_delim
函数获得。readr
包中的所有数据提取函数返回的是tibble
,该数据类型是data.frame
的扩展。最明显的变化是打印的元数据,比如行列数和每列的数据类型。tibble
会适应屏幕大小打印相应条数的行列数据。> tomato2
read_delim
函数不仅仅读取速度比read.table
函数快,而且不需要设置stringAsFactors
参数为FALSE
。read_csv
、read_csv2
和read_tsv
函数是read.table
函数分隔符分别为逗号(,
)、分号(;
)和tab(\t
)的特殊情况。tbl_df
对象,它是tbl
的扩展,也是data.frame
的扩展。tbl
是data.frame
的特殊类型,它在dplyr
包中定义。每列的数据类型显示在列名的下面,这是个很好的功能。readr
包有一些对read_delim
函数封装(预置分隔符)的辅助函数,比如read_csv
函数和read_tsv
函数。data.table
包的fread
函数。第一个参数是读取的文件路径或者URL。header
参数表示文件的第一行是列名,sep
指定分隔符。该函数的stringAsFactors
参数默认设为FALSE
。> library(data.table)
> theUrl <- "http://www.jaredlander.com/data/TomatoFirst.csv"
> tomato3 <- fread(input=theUrl, sep=',', header=TRUE)
> head(tomato3)
read.table
函数快,结果为data.table
对象。data.table
对象是data.frame
的扩展,其是data.frame
的优化。read_delim
或者fread
函数读取文件都非常快,具体使用哪个函数取决于dplyr
或者data.table
包中哪个更适合数据处理。关于作者:贾里德 P. 兰德(Jared P. Lander),资深数据专家,Lander Analytics公司创始人兼CEO,纽约开放统计编程聚会负责人,哥伦比亚大学统计学兼职教授。在数据管理、多层次模型、机器学习、广义线性模型、可视化、数据管理和统计计算等多个领域拥有丰富经验。
本文摘编自《R语言:实用数据分析和可视化技术》(原书第2版),经出版方授权发布。
转载请联系微信:DoctorData
推荐语:本书借鉴数据科学家Jared P. Lander在R语言上丰富的教学经验,通过大量实例,详细讲解R语言的核心功能。对于刚接触统计程序和模型的人,本书的内容组织结构使得学习R语言相当简单和直观。本书主要介绍R语言中20%的核心功能,但是这20%的功能足以让你解决80%的现代数据分析。
更多精彩👇