-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy path04-readr.html
459 lines (356 loc) · 16 KB
/
04-readr.html
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
<!DOCTYPE html>
<html lang="" xml:lang="">
<head>
<title>readr</title>
<meta charset="utf-8" />
<meta name="author" content="Alberto Torres Barrán" />
<meta name="date" content="2021-02-01" />
<link href="libs/remark-css-0.0.1/default.css" rel="stylesheet" />
<link rel="stylesheet" href="custom.css" type="text/css" />
</head>
<body>
<textarea id="source">
class: center, middle, inverse, title-slide
# readr
## Entornos de Análisis de Datos: R
### Alberto Torres Barrán
### 2021-02-01
---
<script type="text/x-mathjax-config">
MathJax.Hub.Config({
TeX: {
Macros: {
Xcal: "{\\mathcal{X}}",
Xbf: "{\\mathbf{X}}",
Qbf: "{\\mathbf{Q}}",
Zbf: "{\\mathbf{Z}}",
Vbf: "{\\mathbf{V}}",
Hbf: "{\\mathbf{H}}",
Rbb: "{\\mathbb{R}}"
},
extensions: ["AMSmath.js","AMSsymbols.js"]
}
});
</script>
## Introducción
- Paquete para importar y exportar ficheros de texto
- Importar datos:
+ `read_csv()`, para ficheros CSV
+ `read_csv2()`, para ficheros CSV separados por ";"
+ `read_delim()`, para ficheros ASCII delimitados por otros caracteres distintos de "," y ";"
+ `read_tsv()`, para ficheros ASCII delimitados por tabuladores
+ `read_table()`, para ficheros ASCII delimitados por espacios
- Exportar datos: `write_csv()`. `write_csv2()`, etc.
- Más información: [*vignette* readr](https://readr.tidyverse.org/articles/readr.html)
---
## Ejemplo
```r
write_csv(mpg, "mpg.csv")
mpg1 <- read_csv("mpg.csv")
head(mpg1)
## # A tibble: 6 x 11
## manufacturer model displ year cyl trans drv cty hwy fl class
## <chr> <chr> <dbl> <dbl> <dbl> <chr> <chr> <dbl> <dbl> <chr> <chr>
## 1 audi a4 1.8 1999 4 auto(l5) f 18 29 p compact
## 2 audi a4 1.8 1999 4 manual(m5) f 21 29 p compact
## 3 audi a4 2 2008 4 manual(m6) f 20 31 p compact
## 4 audi a4 2 2008 4 auto(av) f 21 30 p compact
## 5 audi a4 2.8 1999 6 auto(l5) f 16 26 p compact
## 6 audi a4 2.8 1999 6 manual(m5) f 18 26 p compact
```
---
## Directorio de trabajo
- Directorio donde apunta RStudio
```r
getwd()
## [1] "C:/Users/alberto/Desktop/curso-analisis-datos-R/src"
```
- Se puede cambiar con `setwd()`
- Normalmente es el directorio que aparece en la pestaña `Files` de RStudio
1. Se puede cambiar de directorio haciendo click en `...`
2. Se puede asignar ese nuevo directorio como directorio de trabajo con `More > Set as working directory`
- Directorio por defecto donde se buscan los ficheros a importar
- Alternativamente, podemos especificar el la ruta completa o la ruta relativa:
1. `.` hace referencia al directorio actual
2. `..` hace referencia al directorio anterior
---
## Parámetros opcionales
- `col_names`, si TRUE, la primera fila es el nombre de las variables. También se le puede pasar un vector de cadenas de caracteres con los nombres
- `delim`, carácter que separa las columnas (solo en `read_delim()`)
- `na`, vector con cadenas que se interpretan como missing values. Por defecto `NA` y la cadena vacía
- `col_types`, vector de clases para las columnas (ver documentación de `col()`). Por defecto se intenta adivinar el tipo de cada columna a partir de las 1000 primeras líneas.
- `n_max`, número máximo de líneas a leer del fichero
- `skip`, número de líneas a ignorar al princpio del fichero
- `locale`, parámetro que nos permite cambiar el enconding, separador decimal y formato de fechas (ver documentación de `locale()`)
<!--
- `comment`, una cadena de caracteres que identifica líneas de texto a ignorar (comentarios)
- `trim_ws`, si vale TRUE, se eliminan los espacios en blanco al principio y al final de cada campo
-->
---
## Funciones de R base
- Es muy importante no confundir las funciones de R base `read.csv`, `read.csv2`, `read.table`, etc., con su equivalente de `readr`
- Similitudes:
1. mismo nombre, pero cambiando la `_` por `.`
2. realizan la misma operación básica, importar un fichero de texto en R
- Diferencias:
1. nombre de los parámetros opcionales
2. tipo de retorno (`data.frame` vs `tibble`)
3. funciones de `readr` son más rápidas
- Se recomienda usar las funciones de la librería `readr`
---
## Ejemplos accidentes bicicletas Madrid
.small[
[Fuente](https://datos.madrid.es/portal/site/egob/menuitem.c05c1f754a33a9fbe4b2e4b284f1a5a0/?vgnextoid=20f4a87ebb65b510VgnVCM1000001d4a900aRCRD&vgnextchannel=374512b9ace9f310VgnVCM100000171f5a0aRCRD&vgnextfmt=default)
]
```r
accidentes <- read_csv2('../data/AccidentesBicicletas_2017.csv',
skip = 2, locale = locale(encoding = 'latin1'))
```
```r
head(accidentes, 4)
## # A tibble: 4 x 8
## Fecha `TRAMO HORARIO` `Nm Tot Victima~ DISTRITO Lugar Numero `Tipo Accidente`
## <chr> <chr> <dbl> <chr> <chr> <dbl> <chr>
## 1 01/0~ DE 6:00 A 6:59 1 ARGANZU~ CALL~ 120 CHOQUE CON OBJE~
## 2 02/0~ DE 21:00 A 21:~ 1 SAN BLAS CALL~ 14 CAÍDA BICICLETA
## 3 03/0~ DE 19:00 A 19:~ 1 CENTRO CALL~ 8 CAÍDA BICICLETA
## 4 04/0~ DE 21:00 A 21:~ 1 CENTRO CALL~ 13 CAÍDA BICICLETA
## # ... with 1 more variable: `Tipo Vehiculo` <chr>
```
---
## Ejemplos jugadores mundial
.small[
[Fuente](https://opendata.stackexchange.com/questions/1791/any-open-data-sets-for-the-football-world-cup-in-brazil-2014)
]
```r
worldcup <- read_tsv('../data/worldcupplayerinfo_20140701.tsv')
```
---
```r
worldcup <- read_tsv('../data/worldcupplayerinfo_20140701.tsv',
* col_types = list("X11" = col_skip(), "X12" = col_skip()))
worldcup
## # A tibble: 736 x 10
## Group Country Rank Jersey Position Age Selections Club Player Captain
## <chr> <chr> <dbl> <dbl> <chr> <dbl> <dbl> <chr> <chr> <chr>
## 1 A Brazil 3 1 Goalie 31 9 Botafogo Jeffers~ 0
## 2 A Brazil 3 12 Goalie 34 80 Toronto FC Julio C~ 0
## 3 A Brazil 3 22 Goalie 31 6 Atletico Mi~ Victor 0
## 4 A Brazil 3 2 Defender 31 75 Barcelona Dani Al~ 0
## 5 A Brazil 3 13 Defender 30 12 Bayern Muni~ Dante 0
## 6 A Brazil 3 4 Defender 27 36 Chelsea David L~ 0
## 7 A Brazil 3 15 Defender 27 5 Napoli Henrique 0
## 8 A Brazil 3 23 Defender 32 72 Roma Maicon 0
## 9 A Brazil 3 6 Defender 26 31 Real Madrid Marcelo 0
## 10 A Brazil 3 14 Defender 32 9 Paris Saint~ Maxwell 0
## # ... with 726 more rows
```
---
## Ejemplo espacios
.small[
[Fuente](https://github.com/tidyverse/readr/blob/master/inst/extdata/massey-rating.txt) (ligeramente modificado)
]
```r
massey <- read_table('../data/massey-rating.txt')
```
---
```r
massey
## # A tibble: 10 x 11
## UCC PAY LAZ KPK RT COF BIH DII ACU Team Conf
## <dbl> <dbl> <dbl> <dbl> <chr> <dbl> <dbl> <dbl> <chr> <chr> <chr>
## 1 1 1 1 1 1 1 1 1 1 Ohio St B10
## 2 2 2 2 2 2 2 2 2 2 Oregon P12
*## 3 3 4 3 4 - 4 3 4 3 Alabama SEC
## 4 4 3 4 3 4 3 5 3 4 TCU B12
*## 5 6 6 6 5 5 7 6 5 - Michigan St B10
## 6 7 7 7 6 7 6 11 8 8 Georgia SEC
## 7 5 5 5 7 - 8 4 6 5 Florida St ACC
## 8 8 8 9 9 10 5 7 7 7 Baylor B12
## 9 9 11 8 13 11 11 12 9 - Georgia Tech ACC
## 10 13 10 13 11 8 9 10 11 10 Mississippi SEC
```
---
```r
massey <- read_table('../data/massey-rating.txt', na = c("-"))
```
```r
massey
## # A tibble: 10 x 11
## UCC PAY LAZ KPK RT COF BIH DII ACU Team Conf
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <chr> <chr>
## 1 1 1 1 1 1 1 1 1 1 Ohio St B10
## 2 2 2 2 2 2 2 2 2 2 Oregon P12
## 3 3 4 3 4 NA 4 3 4 3 Alabama SEC
## 4 4 3 4 3 4 3 5 3 4 TCU B12
## 5 6 6 6 5 5 7 6 5 NA Michigan St B10
## 6 7 7 7 6 7 6 11 8 8 Georgia SEC
## 7 5 5 5 7 NA 8 4 6 5 Florida St ACC
## 8 8 8 9 9 10 5 7 7 7 Baylor B12
## 9 9 11 8 13 11 11 12 9 NA Georgia Tech ACC
## 10 13 10 13 11 8 9 10 11 10 Mississippi SEC
```
---
## Libreria readxl
* Fichero de ejemplo que viene con la librería
```r
library(readxl)
excel_ex <- readxl_example("datasets.xlsx")
excel_ex
## [1] "C:/Users/alberto/Documents/R/win-library/4.0/readxl/extdata/datasets.xlsx"
```
* Podemos listar las hojas de un fichero Excel:
```r
excel_sheets(excel_ex)
## [1] "iris" "mtcars" "chickwts" "quakes"
```
* Leer como tibble/dataframe:
```r
cars <- read_excel(excel_ex, sheet = "mtcars")
head(cars)
## # A tibble: 6 x 11
## mpg cyl disp hp drat wt qsec vs am gear carb
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 21 6 160 110 3.9 2.62 16.5 0 1 4 4
## 2 21 6 160 110 3.9 2.88 17.0 0 1 4 4
## 3 22.8 4 108 93 3.85 2.32 18.6 1 1 4 1
## 4 21.4 6 258 110 3.08 3.22 19.4 1 0 3 1
## 5 18.7 8 360 175 3.15 3.44 17.0 0 0 3 2
## 6 18.1 6 225 105 2.76 3.46 20.2 1 0 3 1
```
---
## Parámetros útiles
- `range`: rango de celdas a importar, en lugar de la hoja completa (por ejemplo: "C3:F14")
- `sheet`: número o nombre de la hoja a leer. Por defecto la primera
- `col_names`: `TRUE` si la primera fila contiene los nombres de las columnas
- `na`: vector con cadenas que se interpretan como missing values. Por defecto celdas vacias
- `col_types`: tipo de cada columna. Por defecto se intenta inferir de los datos. Posibles valores: "skip", "guess", "logical", "numeric", "date", "text" or "list"
---
## Otros formatos
- `readr` y `readxl` solo tienen funciones para importar ficheros de texto/Excel
- Para otros formatos, existen librerías específicas:
+ `haven`, para ficheros de SPSS, Stata y SaS
+ `DBI` junto con otro paquete específico dependiendo de la BD (`RMySQL`, `RSQLite`, etc.) nos permite hacer *querys* contra una BD
+ `jsonlite`, para ficheros JSON
+ `xml2`, para ficheros XML
</textarea>
<style data-target="print-only">@media screen {.remark-slide-container{display:block;}.remark-slide-scaler{box-shadow:none;}}</style>
<script src="https://remarkjs.com/downloads/remark-latest.min.js"></script>
<script src="macros.js"></script>
<script>var slideshow = remark.create({
"highlightStyle": "github",
"highlightLines": true,
"countIncrementalSlides": false
});
if (window.HTMLWidgets) slideshow.on('afterShowSlide', function (slide) {
window.dispatchEvent(new Event('resize'));
});
(function(d) {
var s = d.createElement("style"), r = d.querySelector(".remark-slide-scaler");
if (!r) return;
s.type = "text/css"; s.innerHTML = "@page {size: " + r.style.width + " " + r.style.height +"; }";
d.head.appendChild(s);
})(document);
(function(d) {
var el = d.getElementsByClassName("remark-slides-area");
if (!el) return;
var slide, slides = slideshow.getSlides(), els = el[0].children;
for (var i = 1; i < slides.length; i++) {
slide = slides[i];
if (slide.properties.continued === "true" || slide.properties.count === "false") {
els[i - 1].className += ' has-continuation';
}
}
var s = d.createElement("style");
s.type = "text/css"; s.innerHTML = "@media print { .has-continuation { display: none; } }";
d.head.appendChild(s);
})(document);
// delete the temporary CSS (for displaying all slides initially) when the user
// starts to view slides
(function() {
var deleted = false;
slideshow.on('beforeShowSlide', function(slide) {
if (deleted) return;
var sheets = document.styleSheets, node;
for (var i = 0; i < sheets.length; i++) {
node = sheets[i].ownerNode;
if (node.dataset["target"] !== "print-only") continue;
node.parentNode.removeChild(node);
}
deleted = true;
});
})();
(function() {
"use strict"
// Replace <script> tags in slides area to make them executable
var scripts = document.querySelectorAll(
'.remark-slides-area .remark-slide-container script'
);
if (!scripts.length) return;
for (var i = 0; i < scripts.length; i++) {
var s = document.createElement('script');
var code = document.createTextNode(scripts[i].textContent);
s.appendChild(code);
var scriptAttrs = scripts[i].attributes;
for (var j = 0; j < scriptAttrs.length; j++) {
s.setAttribute(scriptAttrs[j].name, scriptAttrs[j].value);
}
scripts[i].parentElement.replaceChild(s, scripts[i]);
}
})();
(function() {
var links = document.getElementsByTagName('a');
for (var i = 0; i < links.length; i++) {
if (/^(https?:)?\/\//.test(links[i].getAttribute('href'))) {
links[i].target = '_blank';
}
}
})();
// adds .remark-code-has-line-highlighted class to <pre> parent elements
// of code chunks containing highlighted lines with class .remark-code-line-highlighted
(function(d) {
const hlines = d.querySelectorAll('.remark-code-line-highlighted');
const preParents = [];
const findPreParent = function(line, p = 0) {
if (p > 1) return null; // traverse up no further than grandparent
const el = line.parentElement;
return el.tagName === "PRE" ? el : findPreParent(el, ++p);
};
for (let line of hlines) {
let pre = findPreParent(line);
if (pre && !preParents.includes(pre)) preParents.push(pre);
}
preParents.forEach(p => p.classList.add("remark-code-has-line-highlighted"));
})(document);</script>
<script>
slideshow._releaseMath = function(el) {
var i, text, code, codes = el.getElementsByTagName('code');
for (i = 0; i < codes.length;) {
code = codes[i];
if (code.parentNode.tagName !== 'PRE' && code.childElementCount === 0) {
text = code.textContent;
if (/^\\\((.|\s)+\\\)$/.test(text) || /^\\\[(.|\s)+\\\]$/.test(text) ||
/^\$\$(.|\s)+\$\$$/.test(text) ||
/^\\begin\{([^}]+)\}(.|\s)+\\end\{[^}]+\}$/.test(text)) {
code.outerHTML = code.innerHTML; // remove <code></code>
continue;
}
}
i++;
}
};
slideshow._releaseMath(document);
</script>
<!-- dynamically load mathjax for compatibility with self-contained -->
<script>
(function () {
var script = document.createElement('script');
script.type = 'text/javascript';
script.src = 'https://mathjax.rstudio.com/latest/MathJax.js?config=TeX-MML-AM_CHTML';
if (location.protocol !== 'file:' && /^https?:/.test(script.src))
script.src = script.src.replace(/^https?:/, '');
document.getElementsByTagName('head')[0].appendChild(script);
})();
</script>
</body>
</html>