将数据导入R|将数据导入R part_one 将数据导入Rpart

data_camp

数据的来源

一般有五种

文章图片

使用readr包读取数据 【将数据导入R|将数据导入R part_one】数据读取一般两种情况：1）在R默认环境下。2）在其他目录下。
在默认工作目录下，直接在语句中输入文件名即可。
在其他目录下，则输入其所在位置的绝对路径。和终端指令不同的是，file.path() 通过, 分隔每个目录。

文章图片

# Path to the hotdogs.txt file: path path <- file.path("data", "hotdogs.txt")

读取csv文件（flat data）使用read.csv() 读取csv数据。
ps：可以通过dir() 查看工作目录下的数据

文章图片

# Import swimming_pools.csv: pools pools <- read.csv("swimming_pools.csv")

默认下，read.csv() 会将数据转化为factor 格式。
通过设定stringsAsFactors（默认TRUE）调整。

# Import swimming_pools.csv correctly: pools pools <- read.csv("swimming_pools.csv", stringsAsFactors = FALSE)

读取tab-delimited file（分隔数据）数据被逗号或tab隔开

文章图片
使用read.delim()
默认下，read.delim() 的两个参数sep = "\t"，header = TRUE,分别表示数据被制表符分隔，文件第一行包含字段名。

# Import hotdogs.txt: hotdogs hotdogs <- read.delim("hotdogs.txt", header = FALSE)

被任意方式分隔开的文件
一般适用于：1）任意分隔形式（tabular file）的data frame 文件；2）参数量很大。
使用read.table()

文章图片

默认下，read.table() 的两个参数 sep = ""， header = FALSE,分别表示数据无分隔符，文件第一行不包含字段名。
读取文件过程中筛选内容
col.names

col.names = 可以用于筛选特定的列
ps: 使用which.min()与which.max() 找出数据中最小或最大的数据.

# Finish the read.delim() call hotdogs <- read.delim("hotdogs.txt", header = FALSE, col.names = c("type", "calories", "sodium"))# Select the hot dog with the least calories: lily lily <- hotdogs[which.min(hotdogs$calories), ]# Select the observation with the most sodium: tom tom <- hotdogs[which.max(hotdogs$sodium), ]

colClasses 可用于筛选特定类型的数据
如

read.delim("my_file.txt", colClasses = c("character", "numeric", "logical"))

colClasses 可将对应一系列的数据类型和读取数据中不符合的筛除。

# Previous call to import hotdogs.txt hotdogs <- read.delim("hotdogs.txt", header = FALSE, col.names = c("type", "calories", "sodium"))# Display structure of hotdogs# Edit the colClasses argument to import the data correctly: hotdogs2 hotdogs2 <- read.delim("hotdogs.txt", header = FALSE, col.names = c("type", "calories", "sodium"), colClasses = c("factor", "NULL", "numeric") )# Display structure of hotdogs2 str(hotdogs2)

col_types

col_types 和colClasses 相似，用于筛选特定类型的列。
参数为一个字符串如"clid"，c 代表字符串，l代表布尔值，i代表整数，d代表浮点型。

hotdogs_factor <- read_tsv("hotdogs.txt", col_names = c("type", "calories", "sodium"), col_types = ("fii") )

skip, n_max skip 可用于跳过指定的行，n_max 可用于选择

# Import 5 observations from potatoes.txt: potatoes_fragment potatoes_fragment <- read_tsv("potatoes.txt", skip = 6, n_max = 5, col_names = properties)

collector functon 用于转化数据信息
如col_integer() 转化为整数
col_factor(levels=*) 转化为factor
ps：col_types 还可以被list 赋值，list 中的每个元素为对应的col 类型。

# readr is already loaded# Import without col_types hotdogs <- read_tsv("hotdogs.txt", col_names = c("type", "calories", "sodium"))# Display the summary of hotdogs summary(hotdogs)# The collectors you will need to import the data fac <- col_factor(levels = c("Beef", "Meat", "Poultry")) int <- col_integer()# Edit the col_types argument to import the data correctly: hotdogs_factor hotdogs_factor <- read_tsv("hotdogs.txt", col_names = c("type", "calories", "sodium"), col_types = list(fac,int,int) ) # Display the summary of hotdogs_factor summary(hotdogs_factor)

read.table() 小结
一般功能最强的是,read.table()，read.csv()与read.delim() 作为补充与简单的调用方式。
不同类型的文件 read.csv() 读取csv文件，comma-separated value
read.tsv() 读取tsv文件。tab-separated value
使用data.table 包 data.table 使得导入table 类型文件更加方便。
fread函数 fread 是非常强大的读取table函数。
可以识别出如csv 文件是否文件第一行有列名称。

文章图片

# load the data.table package using library() library(data.table)# Import potatoes.csv with fread(): potatoes potatoes <- fread("potatoes.csv")# Print out potatoes potatoes

文章图片
两个参数：drop&select
fread 函数中有drop 与select 两个参数。可以对数据内容进行筛选。

文章图片

# fread is already loaded# Import columns 6 and 8 of potatoes.csv: potatoes potatoes <- fread("potatoes.csv", select = c(6,8))# Plot texture (x) and moistness (y) of potatoes plot(potatoes$texture, potatoes$moistness)

ps：plot 可以进行简单作图。

文章图片
fread() 与 read.csv() 区别
主要区别在于，fread 的输出结果包括 data.table 与data.frame，而read.csv() 包括tbl_tf, tbl, 和data.frame。
使用readxl包导入excel文件

主要包含两个函数excel_sheets()，read_excel()

文章图片

excel_sheet() 用于提取excel 中的表单

# Load the readxl package library(readxl)# Print the names of all worksheets excel_sheets("urbanpop.xlsx")

用于读取excel 表单中的信息到R
read_excel()

# The readxl package is already loaded# Read the sheets, one by one pop_1 <- read_excel("urbanpop.xlsx", sheet = 1) pop_2 <- read_excel("urbanpop.xlsx", sheet = 2) pop_3 <- read_excel("urbanpop.xlsx", sheet = 3)# Put pop_1, pop_2 and pop_3 in a list: pop_list pop_list <- list(pop_1, pop_2, pop_3)# Display the structure of pop_list str(pop_list)

通过lapply 函数可以直接将提取的表单传递给read_excel() 函数。

# The readxl package is already loaded# Read all Excel sheets with lapply(): pop_list pop_list <- lapply(excel_sheets('urbanpop.xlsx'), read_excel, path = "urbanpop.xlsx")# Display the structure of pop_list str(pop_list)

几个参数
默认参数设置为

文章图片
col_types 可以通过向量进行赋值，如text, blank, numeric, date 等。
sheet 选择Excel表格中选定的表单。
skip 类似之前readr包提及的skip。用于跳过某些行内容。
col_names 默认下col_names 值为TRUE，即函数不会自动命名。可以通过赋值或改为FALSE的方式，自定义命名或依靠函数自动命名。
这里可以使用一个小技巧，通过paste() 批量连接信息。
paste("a", 0:10)，即代表生成 "a0", "a1"..."a10"

# The readxl package is already loaded# Import the first Excel sheet of urbanpop_nonames.xlsx (R gives names): pop_a pop_a <- read_excel("urbanpop_nonames.xlsx", col_names = FALSE)# Import the first Excel sheet of urbanpop_nonames.xlsx (specify col_names): pop_b cols <- c("country", paste0("year_", 1960:1966)) pop_b <- read_excel("urbanpop_nonames.xlsx", col_names = cols)# Print the summary of pop_a summary(pop_a)# Print the summary of pop_b summary(pop_b)

另外一种导入Excel 方式：gdata包 gdata 原理：

文章图片
gdata 和readxl 包对比

文章图片

主要因为readxl 包还在发展，很多功能不完善，而且可能语法会变换。
因此选择gdata 这个成熟的包学习，会更加保险一些。
read.xls() 导入文件

# Import the second sheet of urbanpop.xls: urban_pop urban_pop <- read.xls("urbanpop.xls", sheet = "1967-1974")

通过cbind() 可以添加data.frame或matrix 等信息
data_frame[-1]，可以去除第一列的信息。
na.omit可以用来除去data.frame 中的NA 信息。

例子

# Add code to import data from all three sheets in urbanpop.xls path <- "urbanpop.xls" urban_sheet1 <- read.xls(path, sheet = 1, stringsAsFactors = FALSE) urban_sheet2 <- read.xls(path, sheet = 2, stringsAsFactors = FALSE) urban_sheet3 <- read.xls(path, sheet = 3, stringsAsFactors = FALSE)# Extend the cbind() call to include urban_sheet3: urban urban <- cbind(urban_sheet1, urban_sheet2[-1], urban_sheet3[-1])# Remove all rows with NAs from urban: urban_clean urban_clean <- na.omit(urban)# Print out a summary of urban_clean summary(urban_clean)

打通excel和R的包：XLConnect 一个应用了Java的包（安装可能需要java 环境）。
几乎可以实现使用R代码进行所有excel 可以进行的操作。
loadWorkbook()
加载excel 的表格。功能是创建在R中创建一个workbook，用于连接excel文件和R工作区。可以将其赋值给一个变量。

# Load the XLConnect package library(XLConnect)# Build connection to urbanpop.xlsx: my_book my_book <- loadWorkbook("urbanpop.xlsx")

getsheet()
用于列出excel 文件中的所有列表

getSheets(my_book)

readWorksheet()
读取表格信息。
readWorksheet 一般有四个参数。object 为表格对象，一般为需先经过loadWorkbook() 处理；sheet 表示表格信息，startCol 表示开始的行数，endCol 表示结束的行数。

# XLConnect is already available# Build connection to urbanpop.xlsx my_book <- loadWorkbook("urbanpop.xlsx")# Import columns 3, 4, and 5 from second sheet in my_book: urbanpop_sel urbanpop_sel <- readWorksheet(my_book, sheet = 2, startCol = 3, endCol = 5)# Import first column from second sheet in my_book: countries countries <- readWorksheet(my_book, sheet = 2, startCol = 1, endCol = 1)# cbind() urbanpop_sel and countries together: selectioncbind(urbanpop_sel, countries) selection <- cbind(countries, urbanpop_sel)

使用XLConnect 修改数据 createSheet()
createSheet(object, name = )
创建一个空的表格