R урок: Как да импортирате данни в R

Вземете цялата книга
Практически R за масова комуникация и журналистика MSRP $ 59.95 Вижте го

Тази статия е извадена от „Практически R за масова комуникация и журналистика“ с разрешение на издателя. © 2019 Taylor & Francis Group, LLC.

Преди да можете да анализирате и визуализирате данни, трябва да ги вкарате в R. Има различни начини да направите това, в зависимост от това как вашите данни са форматирани и къде се намират.

Обикновено функцията, която използвате за импортиране на данни, зависи от файловия формат на данните. В база R например можете да импортирате CSV файл с read.csv(). Хадли Уикъм създаде пакет, наречен readxl, който, както може да се очаква, има функция за четене във файлове на Excel. Има още един пакет, googlesheets, за изтегляне на данни от електронни таблици на Google.

Но ако не искате да помните всичко това, има рио.

Магията на рио

„Целта на rio е да направи възможно най-лесен I / O [импортиране / извеждане] на файл с данни в R, като внедри три прости функции в стил швейцарска армия,” според страницата на проекта GitHub. Тези функции са import(), export()и convert().

Така че, пакет от Рио има само една функция, за да прочетете в много различни типове файлове: import(). Ако знаете import("myfile.csv"), той знае да използва функция за четене на CSV файл. import("myspreadsheet.xlsx")работи по същия начин. Всъщност rio обработва повече от две дузини формати, включително данни, разделени с раздели (с разширение .tsv), JSON, Stata и данни с формат с фиксирана ширина (.fwf).

Пакети, необходими за този урок

  • Рио
  • htmltab
  • readxl
  • googlesheets
  • пак Ман
  • портиер
  • rmiscutils (pm GitHub) или readr
  • разклащане

След като анализирате данните си, ако искате да запазите резултатите като CSV, електронна таблица на Excel или други формати, export()функцията на rio може да се справи с това.

Ако все още нямате пакета rio във вашата система, инсталирайте го сега с install.packages("rio").

Създадох някои примерни данни с данни за снежните валежи в Бостън през зимата. Можете да се насочите към //bit.ly/BostonSnowfallCSV и да щракнете с десния бутон, за да запазите файла като BostonWinterSnowfalls.csv в текущата работна директория на R проекта. Но една от точките на скриптове е да се замени ръчната работа - досадна или друга - с автоматизация, която е лесна за възпроизвеждане. Вместо да щракнете за изтегляне, можете да използвате download.fileфункцията на R със синтаксиса download.file("url", "destinationFileName.csv"):

download.file ("// bit.ly/BostonSnowfallCSV", "BostonWinterSnowfalls.csv")

Това предполага, че вашата система ще пренасочи от този пряк път на Bit.ly URL и успешно ще намери реалния URL адрес на файла //raw.githubusercontent.com/smach/NICAR15data/master/BostonWinterSnowfalls.csv. Понякога имах проблеми с достъпа до уеб съдържание на стари компютри с Windows. Ако имате една от тях и тази връзка Bit.ly не работи, можете да замените действителния URL адрес за връзката Bit.ly. Друга възможност е надстройването на вашия компютър с Windows до Windows 10, ако е възможно, за да се види дали това прави трика.

Ако желаете rio да може просто да импортира данни директно от URL, всъщност може и ще стигна до това в следващия раздел. Смисълът на този раздел е да се натрупа практика за работа с локален файл.

След като имате тестовия файл в локалната си система, можете да заредите тези данни в R обект, наречен snowdata, с кода:

snowdata <- rio :: import ("BostonWinterSnowfalls.csv")

Имайте предвид, че е възможно rio да ви помоли да презаредите файла в двоичен формат, като в този случай ще трябва да стартирате

download.file ("// bit.ly/BostonSnowfallCSV", "BostonWinterSnowfalls.csv", mode = "wb")

Уверете се, че използвате опциите за завършване на раздела на RStudio. Ако въведете rio::и изчакате, ще получите списък с всички налични функции. Въведете snowи изчакайте и трябва да видите пълното име на вашия обект като опция. Използвайте клавишите със стрелки нагоре и надолу, за да се придвижвате между предложенията за автоматично завършване. След като опцията, която искате, е маркирана, натиснете клавиша Tab (или Enter), за да добавите пълното име на обект или функция към вашия скрипт.

Трябва да видите обекта да се snowdataпояви в раздела на вашата среда в горния десен прозорец на RStudio. (Ако в горния десен прозорец се показва вашата история на командите вместо вашата среда, изберете раздела среда).

Група Тейлър и Франсис

snowdataтрябва да покаже, че има 76 „obs.“ - наблюдения или редове - и две променливи или колони. Ако щракнете върху стрелката вляво от, за snowdataда разширите списъка, ще видите имената на двете колони и типа данни, които всяка колона съдържа. В Winterе символни низове и Totalколона е числена. Също така трябва да можете да видите първите няколко стойности на всяка колона в екрана Околна среда.

Група Тейлър и Франсис

Кликнете върху самата дума snowdataв раздела Околна среда за по-изглед на данните, подобен на електронна таблица. Можете да получите същия изглед от конзолата R с командата View(snowdata)(това трябва да е главно V на View - viewняма да работи). Забележка: snowdataне е в кавички, защото се позовавате на името на R обект във вашата среда. В rio::importкомандата преди BostonWinterSnowfalls.csv е в кавички, защото това не е R обект; това е име на символен низ на файл извън R.

Група Тейлър и Франсис

Този изглед има няколко поведения, подобни на електронни таблици. Щракнете върху заглавката на колона, за да я сортирате по стойностите на тази колона във възходящ ред; щракнете върху същата заглавка на колоната втори път, за да сортирате в низходящ ред. Има поле за търсене, за да намерите редове, съответстващи на определени знаци.

Ако щракнете върху иконата Филтър, ще получите филтър за всяка колона. В Winterколоната характер работи като може да се очаква, филтриране на редове, които съдържат символи, които въвеждате. Ако кликнете на Totalфилтър числен колоната, въпреки че по-старите версии на RStudio показват плъзгач, докато по-новите показват хистограма и кутия за филтриране .

Импортирайте файл от мрежата

Ако искате да изтеглите и импортирате файл от мрежата, можете да го направите, ако е публично достъпен и във формат като Excel или CSV. Опитвам

snowdata <- rio :: import ("// bit.ly/BostonSnowfallCSV", формат)

Много системи могат да следват URL адреса за пренасочване към файла, дори след като първо ви дадат съобщение за грешка, стига да посочите формата, "csv"тъй като името на файла тук не включва .csv. Ако вашият не работи, използвайте вместо него URL //raw.githubusercontent.com/smach/R4JournalismBook/master/data/BostonSnowfall.csv.

rio може също да импортира добре форматирани HTML таблици от уеб страници, но таблиците трябва да бъдат изключително добре форматирани. Да предположим, че искате да изтеглите таблицата, която описва рейтинга на тежестта на Националната метеорологична служба за снежни бури. Страницата на Регионалния индекс за снеговалежи на Националните центрове за информация за околната среда има само една много добре изработена таблица, така че код като този трябва да работи:

rsi_description <- rio :: import ("//www.ncdc.noaa.gov/snow-and-ice/rsi/", format = "html")

Отново обърнете внимание, че в този случай трябва да включите формата format="html". тъй като самият URL не дава никакви указания за какъв файл става въпрос. Ако URL адресът включва име на файл с .htmlразширение, rio ще знае.

В реалния живот обаче уеб данните рядко се появяват в толкова чиста, изолирана форма. Добър вариант за случаи, които не са толкова добре изработени, често е пакетът htmltab. Инсталирайте го с install.packages("htmltab"). Функцията на пакета за четене на HTML таблица се нарича още htmltab. Но ако изпълните това:

библиотека (htmltab) citytable <- htmltab ("// en.wikipedia.org/wiki/List_of_United_States_cities_by_population") str (citytable)

виждате, че нямате правилната таблица, защото рамката с данни съдържа един обект. Тъй като не посочих коя таблица, тя извади първата HTML таблица на страницата. Това случайно не беше това, което искам. Не ми се импортира всяка таблица на страницата, докато не намеря правилната, но за щастие имам разширение за Chrome, наречено Table Capture, което ми позволява да преглеждам списък с таблиците на дадена страница.

Последният път, когато проверих, таблица 5 с повече от 300 реда беше тази, която исках. Ако това не работи за вас сега, опитайте да инсталирате Table Capture в браузър Chrome, за да проверите коя таблица искате да изтеглите.

Ще опитам отново, като посоча таблица 5 и след това ще видя имената на колоните в новата таблица на града. Имайте предвид, че в следния код поставих citytable <- htmltab()командата на няколко реда. Това е, за да не прескочи маржовете - можете да държите всичко на един ред. Ако номерът на таблицата се е променил от публикуването на тази статия, заменете which = 5с правилния номер.

Вместо да използвате страницата в Wikipedia, можете да замените URL адреса на Wikipedia с URL адреса на копие на файла, който създадох. Този файл е на //bit.ly/WikiCityList. За да използвате тази версия, тип bit.ly/WikiCityListна браузъра, след това копирайте дългия URL го пренасочва към и употребата че вместо Wikipedia URL адреса на кода по-долу:

библиотека (htmltab) citytable <- htmltab ("// en.wikipedia.org/wiki/List_of_United_States_cities_by_population", which = 5) colnames (citytable)

Как разбрах, че whichаргументът ми е необходим, за да посоча номера на таблицата? Прочетох htmltabпомощния файл с помощта на командата ?htmltab. Това включваше всички налични аргументи. Сканирах възможностите и „ whichвектор с дължина един за идентификация на таблицата в документа“ изглеждаше правилно.

Забележете също, че използвах colnames(citytable)вместо names(citytable)да видя имената на колоните. И двете ще работят. Base R също има  rownames()функцията.

Както и да е, тези резултати от таблицата са много по-добри, въпреки че от стартирането можете да видите, str(citytable)че няколко колони, които трябва да бъдат числа, са влезли като символни низове. Можете да видите това както chrдо името на колоната, така и до кавичките около стойности като 8,550,405.

Това е една от малките досади на R: R обикновено не разбира, че 8,550е число. Сам се справих с този проблем, като написах собствената си функция в собствения си пакет rmiscutils, за да превърна всички тези „символни низове“, които всъщност са числа със запетаи, обратно в числа. Всеки може да изтегли пакета от GitHub и да го използва.

Най-популярният начин за инсталиране на пакети от GitHub е използването на пакет, наречен devtools. devtools е изключително мощен пакет, предназначен най-вече за хора, които искат да напишат свои собствени пакети, и включва няколко начина за инсталиране на пакети от други места освен CRAN. Въпреки това, devtools обикновено изисква няколко допълнителни стъпки за инсталиране в сравнение с типичен пакет и аз искам да оставя досадни задачи на системния администратор, докато не е абсолютно необходимо.

Пакетът pacman обаче също така инсталира пакети от не-CRAN източници като GitHub. Ако все още не сте, инсталирайте pacman сinstall.packages("pacman").

p_install_gh("username/packagerepo")Функцията на pacman се инсталира от репозитория на GitHub.

p_load_gh("username/packagerepo")зарежда пакет в паметта, ако вече съществува във вашата система и първо инсталира, след това зарежда пакет от GitHub, ако пакетът не съществува локално.

Моят rmisc помощен пакет може да бъде намерен на smach/rmiscutils. Изпълнете, за pacman::p_load_gh("smach/rmiscutils")да инсталирате моя пакет rmiscutils.

Забележка: Алтернативен пакет за инсталиране на пакети от GitHub се нарича дистанционно управление, което можете да инсталирате чрез  install.packages("remotes"). Основната му цел е да инсталира пакети от отдалечени хранилища като GitHub. Можете да разгледате помощния файл с help(package="remotes").

И, може би най-лъскавият от всички е пакет, наречен githubinstall. Целта му е да отгатне репото, където се намира даден пакет. Инсталирайте го чрез  install.packages("githubinstall"); след това можете да инсталирате моя пакет rmiscutils с помощта на  githubinstall::gh_install_packages("rmiscutils"). Ще бъдете попитани дали искате да инсталирате пакета на smach/rmisutils(вие го правите).

След като инсталирахте моята колекция от функции, можете да използвате number_with_commas()функцията ми, за да промените тези символни низове, които трябва да бъдат числа, обратно в числа. Силно препоръчвам да добавите нова колона към рамката с данни, вместо да модифицирате съществуваща колона - това е добра практика за анализ на данни, независимо от платформата, която използвате.

В този пример ще извикам новата колона PopEst2017. (Ако таблицата е актуализирана оттогава, използвайте подходящи имена на колони.)

библиотека (rmiscutils) citytable $ PopEst2017 <- number_with_commas (citytable $ `2017 оценка`)

Между другото, моят пакет rmiscutils не е единственият начин да се справя с импортирани номера, които имат запетаи. След като създадох своя пакет rmiscutils и неговата number_with_commas()функция, се роди пакетът tidyverse readr. readr включва и функция, която превръща символните низове в числа parse_number(),.

След като инсталирате readr, можете да генерирате числа от колоната за прогноза за 2017 г. с readr:

citytable $ PopEst2017 <- readr :: parse_number (citytable $ `2017 оценка`)

Едно от предимствата readr::parse_number()е, че можете да дефинирате свои собствени, за locale()да контролирате неща като кодиране и десетични знаци, които могат да представляват интерес за читателите извън САЩ. Изпълнете ?parse_number за повече информация.

Забележка: Ако не сте използвали завършването на раздела за колоната за прогноза за 2017 г., може да сте имали проблем с името на тази колона, ако в него има място в момента, в който изпълнявате този код. В моя код по-горе забележете, че `около името на колоната има обратни единични кавички ( ). Това е така, защото в съществуващото име имаше интервал, който не трябва да имате в R. Името на тази колона има друг проблем: Започва с число, също обикновено R не-не. RStudio знае това и автоматично добавя необходимите обратно кавички около името с автоматично довършване на раздела.

Бонус съвет: Има R пакет (разбира се, че има!), Наречен janitor, който може автоматично да коригира обезпокоителни имена на колони, импортирани от не-R-приятелски източник на данни. Инсталирайте го с install.packages("janitor"). След това можете да създадете нови чисти имена на колони, като използвате clean_names()функцията на портиера .

Сега ще създам изцяло нова рамка с данни, вместо да променям имената на колони в оригиналната си рамка с данни, и ще стартирам чистите имена на чистача () на първоначалните данни. След това проверете имената на колоните на данни с names():

citytable_cleaned <- janitor :: clean_names (citytable)

имена (citytable_cleaned)

Виждате, че интервалите са променени на долни черти, които са законни в имената на R променливи (както и точките). И всички имена на колони, които преди започват с число, сега имат знак xв началото.

Ако не искате да губите паметта, като имат две копия на по същество едни и същи данни, можете да премахнете R обект от работата си сесия с  rm()функция: rm(citytable).

Импортиране на данни от пакети

Има няколко пакета, които ви позволяват да осъществявате достъп до данни директно от R. Единият е quantmod, който ви позволява да изтеглите някои правителствени и финансови данни на САЩ директно в R.

Друг е подходящо нареченият пакет с данни за времето в CRAN. Той може да извлича данни от Weather Underground API, който има информация за много страни по света. 

Пакетът rnoaa, проект от групата rOpenSci, включва няколко различни набора от данни на Националната администрация за океаните и атмосферата на САЩ, включително информация за климата, шамандурите и бурите.

If you are interested in state or local government data in the US or Canada, you may want to check out RSocrata to see if an agency you’re interested in posts data there. I’ve yet to find a complete list of all available Socrata data sets, but there’s a search page at //www.opendatanetwork.com. Be careful, though: There are community-uploaded sets along with official government data, so check a data set’s owner and upload source before relying on it for more than R practice. “ODN Dataset” in a result means it’s a file uploaded by someone in the general public. Official government data sets tend to live at URLs like //data.CityOrStateName.gov and //data.CityOrStateName.us.

For more data-import packages, see my searchable chart at //bit.ly/RDataPkgs. If you work with US government data, you might be particularly interested in censusapi and tidycensus, both of which tap into US Census Bureau data. Other useful government data packages include eu.us.opendata from the US and European Union governments to make it easier to compare data in both regions, and cancensus for Canadian census data.

When the data’s not ideally formatted

In all these sample data cases, the data has been not only well-formatted, but ideal: Once I found it, it was perfectly structured for R. What do I mean by that? It was rectangular, with each cell having a single value instead of merged cells. And the first row had column headers, as opposed to, say, a title row in large font across multiple cells in order to look pretty—or no column headers at all.

Dealing with untidy data can, unfortunately, get pretty complicated. But there are a couple of common issues that are easy to fix.

Beginning rows that aren’t part of the data. If you know that the first few rows of an Excel spreadsheeet don’t have data you want, you can tell rio to skip one or more lines. The syntax is rio::import("mySpreadsheet.xlsx", skip=3) to exclude the first three rows. skip takes an integer.

There are no column names in the spreadsheet. The default import assumes the first row of your sheet is the column names. If your data doesn’t have headers, the first row of your data may end up as your column headers. To avoid that, use rio::import("mySpreadsheet.xlsx", col_names = FALSE) so R will generate default headers of X0, X1, X2, and so on. Or, use a syntax such as rio::import("mySpreadsheet.xlsx", col_names = c("City", "State", "Population")) to set your own column names.

If there are multiple tabs in your spreadsheet, the which argument overrides the default of reading in the first worksheet. rio::import("mySpreadsheet.xlsx", which = 2) reads in the second worksheet.

What’s a data frame? And what can you do with one?

rio imports a spreadsheet or CSV file as an R data frame. How do you know whether you’ve got a data frame? In the case of snowdata, class(snowdata) returns the class, or type, of object it is. str(snowdata) also tells you the class and adds a bit more information. Much of the info you see with str() is similar to what you saw for this example in the RStudio environment pane: snowdata has 76 observations (rows) and two variables (columns).

Data frames are somewhat like spreadsheets in that they have columns and rows. However, data frames are more structured. Each column in a data frame is an R vector, which means that every item in a column has to be the same data type. One column can be all numbers and another column can be all strings, but within a column, the data has to be consistent.

If you’ve got a data frame column with the values 5, 7, 4, and “value to come,” R will not simply be unhappy and give you an error. Instead, it will coerce all your values to be the same data type. Because “value to come” can’t be turned into a number, 5, 7, and 4 will end up being turned into character strings of "5", "7", and "4". This isn’t usually what you want, so it’s important to be aware of what type of data is in each column. One stray character string value in a column of 1,000 numbers can turn the whole thing into characters. If you want numbers, make sure you have them!

R does have a ways of referring to missing data that won’t screw up the rest of your columns: NA means “not available.”

Рамките за данни са правоъгълни: Всеки ред трябва да има еднакъв брой записи (въпреки че някои могат да бъдат празни), а всяка колона трябва да има еднакъв брой елементи.

Колоните за електронни таблици на Excel обикновено се обозначават с букви: Колона A, Колона B и др. Можете да се обърнете към колона на рамка с данни с нейното име, като използвате синтаксиса dataFrameName$columnName. Така че, ако въведете snowdata$Totalи натиснете Enter, ще видите всички стойности в Totalколоната, както е показано на фигурата по-долу. (Ето защо, когато стартирате str(snowdata)командата, има знак за долар преди името на всяка колона.)

Група Тейлър и Франсис

A reminder that those bracketed numbers at the left of the listing aren’t part of the data; they’re just telling you what position each line of data starts with. [1] means that line starts with the first item in the vector, [10] the tenth, etc.

RStudio tab completion works with data frame column names as well as object and function names. This is pretty useful to make sure you don’t misspell a column name and break your script—and it also saves typing if you’ve got long column names.

Type snowdata$ and wait, then you see a list of all the column names in snowdata.

It’s easy to add a column to a data frame. Currently, the Total column shows winter snowfall in inches. To add a column showing totals in meters, you can use this format:

snowdata$Meters <- snowdata$Total * 0.0254

The name of the new column is on the left, and there’s a formula on the right. In Excel, you might have used =A2 * 0.0254 and then copied the formula down the column. With a script, you don’t have to worry about whether you’ve applied the formula properly to all the values in the column.

Now look at your snowdata object in the Environment tab. It should have a third variable, Meters.

Because snowdata is a data frame, it has certain data-frame properties that you can access from the command line. nrow(snowdata) gives you the numbers of rows and ncol(snowdata) the number of columns. Yes, you can view this in the RStudio environment to see how many observations and variables there are, but there will probably be times when you’ll want to know this as part of a script. colnames(snowdata) or names(snowdata) gives you the name of snowdata columns. rownames(snowdata) give you any row names (if none were set, it will default to character strings of the row number such as "1", "2", "3", etc.).

Some of these special dataframe functions, also known as methods, not only give you information but let you change characteristics of the data frame. So, names(snowdata) tells you the column names in the data frame, but

names(snowdata) <- c("Winter", "SnowInches", "SnowMeters")

changes the column names in the data frame.

You probably won’t need to know all available methods for a data frame object, but if you’re curious, methods(class=class(snowdata)) displays them. To find out more about any method, run the usual help query with a question mark, such as ?merge or ?subset.

When a number’s not really a number

ZIP codes are a good example of “numbers” that shouldn’t really be treated as such. Although technically numeric, it doesn’t make sense to do things like add two ZIP codes together or take an average of ZIP codes in a community. If you import a ZIP-code column, R will likely turn it into a column of numbers. And if you’re dealing with areas in New England where ZIP codes start with 0, the 0 will disappear.

I have a tab-delineated file of Boston ZIP codes by neighborhood, downloaded from a Massachusetts government agency, at //raw.githubusercontent.com/smach/R4JournalismBook/master/data/bostonzips.txt. If I tried to import it with zips <- rio::import("bostonzips.txt"), the ZIP codes would come in as 2118, 2119, etc. and not 02118, 02119, and so on.

This is where it helps to know a little bit about the underlying function that rio’s import() function uses. You can find those underlying functions by reading the import help file at ?import. For pulling in tab-separated files, import uses either fread() from the data.table package or base R’s read.table() function. The ?read.table help says that you can specify column classes with the colClasses argument.

Create a data subdirectory in your current project directory, then download the bostonzips.txt file with

download.file("//raw.githubusercontent.com/smach/R4JournalismBook/master/data/bostonzips.txt", "data/bostonzips.txt")

If you import this file specifying both columns as character strings, the ZIP codes will come in properly formated:

zips <- rio::import("data/bostonzips.txt", colClasses = c("character”", "character")) str(zips)

Note that the column classes have to be set using the c() function, c("character", "character"). If you tried colClasses, "character", you’d get an error message. This is a typical error for R beginners, but it shouldn’t take long to get into the c() habit.

A save-yourself-some-typing tip: Writing out c("character", "character") isn’t all that arduous; but if you’ve got a spreadsheet with 16 columns where the first 14 need to be character strings, this can get annoying. R’s rep() function can help. rep(), as you might have guessed, repeats whatever item you give it however many times you tell it to, using the format rep(myitem, numtimes). rep("character", 2) is the same as c("character", "character"), so colClasses = rep("character", 2) is equivalent to colClasses = c("character", "character") . And, colClasses = c(rep("character", 14), rep("numeric", 2)) sets the first 14 columns as character strings and the last two as numbers. All the names of column classes here need to be in quotation marks because names are character strings.

I suggest you play around a little with rep() so you get used to the format, since it’s a syntax that other R functions use, too.

Easy sample data

R comes with some built-in data sets that are easy to use if you want to play around with new functions or other programming techniques. They’re also used a lot by people teaching R, since instructors can be sure that all students are starting off with the same data in exactly the same format.

Type data() to see available built-in data sets in base R and whatever installed packages are currently loaded. data(package = .packages(all.available = TRUE)) from base R displays all possible data sets from packages that are installed in your system, whether or not they’re loaded into memory in your current working session.

You can get more information about a data set the same way you get help with functions: ?datasetname or help("datasetname"). mtcars and iris are among those I’ve seen used very often.

If you type mtcars, the entire mtcars data set prints out in your console. You can use the head() function to look at the first few rows with head(mtcars).

You can store that data set in another variable if you want, with a format like cardata <- mtcars.

Or, running the data function with the data set name, such as data(mtcars), loads the data set into your working environment.

One of the most interesting packages with sample data sets for journalists is the fivethirtyeight package, which has data from stories published on the FiveThirtyEight.com website. The package was created by several academics in consultation with FiveThirtyEight editors; it is designed to be a resource for teaching undergraduate statistics.

Prepackaged data can be useful—and in some cases fun. In the real world, though, you may not be using data that’s quite so conveniently packaged.

Create a data frame manually in R

Chances are, you’ll often be dealing with data that starts off outside of R and you import from a spreadsheet, CSV file, API, or other source. But sometimes you might just want to type a small amount of data directly into R, or otherwise create a data frame manually. So let’s take a quick look at how that works.

R data frames are assembled column by column by default, not one row at a time. If you wanted to assemble a quick data frame of town election results, you could create a vector of candidate names, a second vector with their party affiliation, and then a vector of their vote totals:

candidates <- c("Smith", "Jones", "Write-ins", "Blanks")

party <- c("Democrat", "Republican", "", "")

votes <- c(15248, 16723, 230, 5234)

Remember not to use commas in your numbers, like you might do in Excel.

To create a data frame from those columns, use the data.frame() function and the synatx data.frame(column1, column2, column3).

myresults <- data.frame(candidates, party, votes)

Check its structure with str():

str(myresults)

While the candidates and party vectors are characters, the candidates and party data frame columns have been turned into a class of R objects called factors. It’s a bit too in-the-weeds at this point to delve into how factors are different from characters, except to say that

  1. Factors can be useful if you want to order items in a certain, nonalphabetical way for graphing and other purposes, such as Poor is less than Fair is less than Good is less than Excellent.
  2. Factors can behave differently than you might expect at times. I recommend sticking with character strings unless you have a good reason to specifically want factors.

You can keep your character strings intact when creating data frames by adding the argument stringsAsFactors = FALSE:

myresults <- data.frame(candidates, party, votes, stringsAsFactors = FALSE) str(myresults)

Now, the values are what you expected.

There’s one more thing I need to warn you about when creating data frames this way: If one column is shorter than the other(s), R will sometimes repeat data from the shorter column—whether or not you want that to happen.

Say, for example, you created the election results columns for candidates and party but only entered votes results for Smith and Jones, not for Write-ins and Blanks. You might expect the data frame would show the other two entries as blank, but you’d be wrong. Try it and see, by creating a new votes vector with just two numbers, and using that new votes vector to create another data frame:

votes <- c(15248, 16723)

myresults2 <- data.frame(candidates, party, votes)

str(myresults2)

That’s right, R reused the first two numbers, which is definitely not what you’d want. If you try this with three numbers in the votes vector instead of two or four, R would throw an error. That’s because each entry couldn’t be recycled the same number of times.

If by now you’re thinking, “Why can’t I create data frames that don’t change strings into factors automatically? And why do I have to worry about data frames reusing one column’s data if I forget to complete all the data?” Hadley Wickham had the same thought. His tibble package creates an R class, also called tibble, that he says is a “modern take on data frames. They keep the features that have stood the test of time, and drop the features that used to be convenient but are now frustrating.”

If this appeals to you, install the tibble package if it’s not on your system and then try to create a tibble with

myresults3 <- tibble::tibble(candidates, party, votes)

and you’ll get an error message that the votes column needs to be either 4four items long or one item long (tibble() will repeat a single item as many times as needed, but only for one item).

Put the votes column back to four entries if you’d like to create a tibble with this data:

library(tibble)

votes <- c(15248, 16723, 230, 5234)

myresults3 <- tibble(candidates, party, votes)

str(myresults3)

It looks similar to a data frame—in fact, it is a data frame, but with some special behaviors, such as how it prints. Also notice that the candidates column is character strings, not factors.

If you like this behavior, go ahead and use tibbles. However, given how prevelant conventional data frames remain in R, it’s still important to know about their default behaviors.

Exporting data

Often after you’ve wrangled your data in R, you want to save your results. Here are some of the ways to export your data that I tend to use most:

Save to a CSV file with rio::export(myObjectName, file="myFileName.csv") and to an Excel file with rio::export(myObjectName, file="myFileName.xlsx"). rio understands what file format you want based on the extension of the file name. There are several other available formats, including .tsv for tab-separated data, .json for JSON, and .xml for XML.

Save to an R binary object that makes it easy to load back into R in future sessions. There are two options.

Generic save() saves one or more objects into a file, such as save(objectName1, objectName2, file="myfilename.RData"). To read this data back into R, you just use the command load("myfilename.RData") and all the objects return with the same names in the same state they had before.

You can also save a single object into a file with saveRDS(myobject, file="filename.rds"). The logical assumption is that loadRDS would read the file back in, but instead the command is readRDS—and in this case, just the data has been stored, not the object name. So, you need to read the data into a new object name, such as mydata <- readRDS("filename.rds").

There’s a third way of saving an R object specifically for R: generating the R commands that would recreate the object instead of the object with final results. The base R functions for generating an R file to recreate an object are dput() or dump(). However, I find rio::export(myobject, "mysavedfile.R") even easier to remember.

Finally, there are additional ways to save files that optimize for readability, speed, or compression, which I mention in the additional resources section at the end of this article.

You can also export an R object into your Windows or Mac clipboard with rio: rio::export(myObjectName, format). And, you can import data into R from your clipboard the same way: rio::import(file).

Bonus: rio’s convert() function lets you—you guessed it—convert one file type to another without having to manually pull the data into and then out of R. See ?convert for more info.

Final point: RStudio lets you click to import a file, without having to write code at all. This isn’t something I recommend until you’re comfortable importing from the command line, beause I think it’s important to understand the code behind importing. But, I admit this can be a handy shortcut.

In the Files tab of RStudio’s lower right pane, navigate to the file you want to import and click it. You’ll see an option to either View File or Import Dataset. Choose Import Dataset to see a dialog that previews the data, lets you modify how the data is imported, and previews the code that will be generated.

Make whatever changes you want and click Import, and your data will be pulled into R.

Additional resources

rio alternatives. While rio is a great Swiss Army knife of file handling, there may be times when you want a bit more control over how your data is pulled into or saved out of R. In addition, there have been times when I’ve had a challenging data file that rio choked on but another package could handle it. Some other functions and packages you may want to explore:

  • Base R’s read.csv() and read.table() to import text files (use ?read.csv and ?read.table to get more information). stringsAsFactors = FALSE is needed with these if you want to keep your character strings as character strings. write.csv() saves to CSV.
  • rio uses Hadley Wickham’s readxl package for reading Excel files. Another alternative for Excel is openxlsx, which can write to an Excel file as well as read one. Look at the openxlsx package vignettes for information about formatting your spreadsheets as you export.
  • Wickham’s readr package is also worth a look as part of the “tidyverse.” readr includes functions to read CSV, tab-separated, fixed-width, web logs, and several other types of files. readr prints out the type of data it has determined for each column—integer, character, double (non-whole numbers), etc. It creates tibbles.

Import directly from a Google spreadsheet. The googlesheets package lets you import data from a Google Sheets spreadsheet, even if it’s private, by authenticating your Google account. The package is available on CRAN; install it via install.packages("googlesheets"). After loading it with library("googlesheets"), read the excellent introductory vignette. At the time of this writing, the intro vignette was available in R at vignette("basic-usage", package="googlesheets"). If you don’t see it, try help(package="googlesheets") and click the User Guides, Package Vignettes and Other Documentation link for available vignettes, or look at the package information on GitHub at //github.com/jennybc/googlesheets.

Scrape data from Web pages with the rvest package and SelectorGadget browser extension or JavaScript bookmarklet. SelectorGadget helps you discover the CSS elements of data you want to copy that are on an HTML page; then rvest uses R to find and save that data. This is not a technique for raw beginners, but once you’ve got some R experience under your belt, you may want to come back and revisit this. I have some instructions and a video on how to do this at //bit.ly/Rscraping. RStudio has a webinar available on demand as well.

Alternatives to base R’s save and read functions. If you are working with large data sets, speed may become important to you when saving and loading files. The data.table package has a speedy fread() function, but beware that resulting objects are data.tables and not plain data frames; some behaviors are different. If you want a conventional data frame, you can get one with the as.data.frame(mydatatable) syntax. The data.table package’s fwrite() function is aimed at writing to a CSV file considerably faster than base R’s write.csv().

Два други пакета могат да представляват интерес за съхранение и извличане на данни. Пакетът пера се записва в двоичен формат, който може да се чете в R или Python. И, първият пакет read.fst()и write.fst()предлагат бързо запазване и зареждане на R обекти с рамки за данни - плюс опцията за компресиране на файлове.