查看原文
其他

手把手教你用R语言读取CSV文件

Jared P. Lander 大数据DT 2021-10-18


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。


作者:Jared P. Lander
来源:大数据DT(ID:hzdashuju)




读取CSV文件最好的方法是使用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。

任意CSV文件都可以读取,这里使用read.table函数读取一个简单的文件(地址如下):
http://www.jaredlander.com/data/TomatoFirst.csv

> theUrl <-"http://www.jaredlander.com/data/TomatoFirst.csv"
> tomato <-read.table(file=theUrl, header=TRUE, sep=",")

利用head命令,我们可以看到下面的结果。

> head(tomato)


如前面所述,第一个参数是文件名(或字符型变量)。注意我们如何显式地使用参数名fileheadsep。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。

第二个参数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。

常用但不被熟知的参数是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quotecolClasses参数,分别设置字符的包围符和每列的数据类型。

类似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sepdec参数。详细情况见表6-1。

▲表6-1 读取大文本文件的函数及其默认参数

大文件使用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_delimfread,前者在readr包中由Hadley Wickham实现,后者在data.table包中由Matt Dowle实现。read_delimfread运行相当快,因为两者都不把字符数据自动转换成factor


01 read_delim函数

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FALSEread_csvread_csv2read_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。

注意,数据读取为tbl_df对象,它是tbl的扩展,也是data.frame的扩展。tbldata.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。


02 fread函数

另一个读取大量数据的函数是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)

这里也可以使用head函数查看前几行数据:

> head(tomato3)


该函数读取速度比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。


延伸阅读《R语言:实用数据分析和可视化技术》点击上图了解及购买

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。



划重点👇


干货直达👇


更多精彩👇

在公众号对话框输入以下关键词
查看更多优质内容!

PPT | 读书 | 书单 | 硬核 | 干货 | 讲明白 | 神操作大数据 | 云计算 | 数据库 | Python | 可视化AI | 人工智能 | 机器学习 | 深度学习 | NLP5G | 中台 | 用户画像 1024 | 数学 | 算法 数字孪生

据统计,99%的大咖都完成了这个神操作
👇


: . Video Mini Program Like ,轻点两下取消赞 Wow ,轻点两下取消在看

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存