在 R 中读取和加载数据

从各种数据源读取和加载数据

数据分析的旅程始于数据源的管理。
在R语言中，文件管理对于许多实践至关重要。它使用户能够：

• 高效地组织和管理数据
• 节省时间和精力
• 消除潜在的版本错误
• 跟踪变更记录
• 与同事共享数据

数据可以从多种来源读取，最常见的包括逗号分隔值（CSV）、Microsoft Excel（XLS、XLSX）以及RData文件（RData、RDS）。我们使用不同的函数来从不同来源获取数据。

读取CSV文件

逗号分隔值（CSV）文件是一种纯文本文件，以纯文本形式存储表格数据（数字和文本）。CSV文件中的每一行代表表格的一行，该行内的各列由逗号分隔。

CSV是工业界最广泛使用的格式之一。R内置了函数来方便地读取CSV文件。我们可以使用 read.csv() 函数，通过传入文件路径来读取CSV文件。

1df <- read.csv('Documents/Crime.csv')  # 传入文件路径以读取文件
2print(head(df, 5))  # 打印数据框的前5行

注意： head(data, x) 函数用于选择数据框的前 x 行；类似地，tail(data, x) 函数用于选择最后 x 行。

read.csv() 函数的参数

我们可以通过使用参数来调整 read.csv() 函数的功能。以下是常用的一些参数：

• sep=","：
  sep= 参数决定了读取的是TSV、CSV还是其他使用分隔符的文件。默认情况下，CSV文件的分隔符是 ,（逗号）。如果数据使用特定字符作为分隔符，可以在该参数中指定该字符来读取文件。

• stringsAsFactors = TRUE：
  在处理非数值数据时，stringsAsFactors 参数非常重要，因为它可将字符串值转换为因子类型。这一功能在过滤或排序数据时非常有用，因为它能创建不可变的分类数据。该参数的默认值为 TRUE。

• header = TRUE：
  当设置为 FALSE 时，header 参数会隐藏列名。默认值为 TRUE。

• strip.white = FALSE：
  当设置为 TRUE 时，此参数会删除值周围的空白字符，这在数据录入不规范或结构不完整的情况下非常有帮助。默认值为 FALSE。

下面的代码示例有助于更好地理解这些参数。欢迎自行尝试修改代码，实践是快速掌握的最佳方式。

1df1 <- read.csv('customer.csv', sep=';', header=TRUE, strip.white=TRUE, stringsAsFactors=FALSE)  # 使用分号分隔的CSV文件
2print(df1)   # 打印数据
3print('--------------------------------')
4df1 <- read.csv('customer1.csv', sep='/', strip.white=FALSE, stringsAsFactors=TRUE)  # 使用斜杠分隔的文本文件
5print(df1)
6print('--------------------------------')
7print('当 header 参数设为 FALSE 时：')
8df1 <- read.csv('customer1.csv', sep='/', header=FALSE, strip.white=TRUE, stringsAsFactors=TRUE)  # 注意 header=FALSE 时列名的变化
9print(df1)

读取TSV文件

制表符分隔值（TSV）文件与CSV文件非常相似。TSV文件中的值由制表符分隔。

制表符在语法中用 \t 表示。一个制表符通常由2、4或8个空格字符组成，具体取决于平台的配置。

当使用 sep='\t' 参数时，可以使用 read.csv() 函数读取TSV文件。

1# 使用 read.csv() 函数读取 TSV 文件
2df <- read.csv('Documents/coffee_sales.tsv', sep='\t')
3print(head(df, 5))  # 查看数据预览

读取Excel文件

Excel文件是以行列形式存储数据的文件。它是微软开发的一种专有格式，常用于数据分析、财务建模以及其他类型的数据组织与处理。

Excel文件为用户提供强大的工具，利用独特的XLS或XLSX格式来存储、组织和分析数据。

尽管R本身不原生支持读取Excel文件，但借助 readxl 库，我们可以轻松访问Excel文件中的数据。读取Excel文件的语法与其他文件类型类似。

1library(readxl)            # 调用 readxl 库
2df1 <- read_excel('Documents/data.xlsx')    # 提供Excel文件的路径
3print(head(df1, 5))  # 仅打印文件的前5行

读取RData和RDS文件

RData 和 RDS 文件是由R统计软件生成的二进制文件。它们包含数据对象、工作空间和编译后的代码。这些文件用于存储数据，并在不同的R会话之间传输数据。

由于这类文件中保存了变量名称，因此在读取前应先检查文件中存储的变量名。读取方法如下：

1# 读取 RData 文件
2variables <- load('Documents/business.Rdata')  # 加载 RData 文件
3print(variables)            # 查看存储的变量名
4print('----------------------------------------')
5print(product_sales)        # 打印变量
6print('----------------------------------------')
7print(customer_data)        # 打印变量

读取文本文件

TXT文件仅包含纯文本，即无结构或格式化的文字。它们常用于存储数据，以及在不同应用程序和平台之间传输文本。我们可以使用内置的 readLines() 函数，或使用 readr 库中的 read_file() 函数来读取这些文件。

readLines() 函数返回一个向量数组，其中每个元素对应文件中的一行。
read_file() 函数返回一个单一的字符串对象，该对象通过在每行之间插入 \n（换行符）将所有行连接起来。

两者的区别如下：

1# 读取文本文件
2library(readr)       # 调用 readr 库
3text <- readLines('Hello.txt')  # 使用内置函数读取文件
4print(text)
5print('-----------------------------')
6text1 <- read_file('Hello.txt')  # 使用 readr 函数读取文件
7print(text1)

设置工作目录

如果需要在一个目录中处理多个文件，可以使用 setwd() 函数定义一个共享的工作目录。这样，只需提供文件名即可访问该目录下的文件，无需每次手动输入完整的路径。
要查看当前工作目录，可以使用 getwd() 函数。

这种方法在处理来自多个数据源的数据时极为有用。预先设定好目录后进行分析，可以简化流程，节省用户的时间和精力。

1print('初始工作目录：')
2getwd()   # 查看默认工作目录
3# 不再需要写这么长的路径：
4df <- read.csv('/usercode/Documents/Crime.csv')  # 通过提供完整路径读取数据
5print(head(df, 3))  # 打印数据
6# 设置工作目录
7setwd('/usercode/Documents/')
8print('--------------------------------')
9# 现在无需每次都写 '/usercode/Documents/' 部分
10# 只需提供文件名即可
11print('修改后的工作目录：')
12getwd()   # 再次查看当前目录
13df1 <- read.csv('Crime.csv')  # 无需提供完整路径即可读取文件
14print(head(df1, 3))  # 打印数据

请注意，在第4行中，我们提供了完整的 /usercode/Documents/Crime.csv 路径来读取文件。
然后在第7行中，使用 setwd() 函数将工作目录设置为 /usercode/Documents/。
现在，我们不再需要在代码中重复输入整个工作目录路径，只需提供文件名，R就能找到对应的文件。