R语言笔记2：读写数据所需的主要函数、与外部环境交互

作者：圈圈
来源公众号：宏基因组

Getting Data In and Out of R

（一）读取数据
读取数据所需的几种函数：

• read.table、 read.csv：常用的读取列表数据函数，可返回数据框形式。
• readLines：逐行读取文本文件，返回一个字符向量
• source：读取R代码、脚本
• dget：读取R代码（读取的是以逆句法分析后以文本文件储存的R对象）
• load、 unserialize：把二进制对象读入R

read.table()参数：

• file：文件名（字符串，即文件路径）
• header：逻辑标志，表明行是否有表头、行名（是变量名还是数据）
• sep：分隔符（字符串，表明每一列是怎么分隔的，可能是逗号、冒号、空格等）
• colClasses：字符向量（长度=数据集列数）说明数据集中每一列数据的类别
• nrows：数据集中数据的行数
• comment.char：字符串（用于表明文件中注释的字符）
• skip：指定文件（非数据区域）从上到下多少行可忽略
• stringsAsFactors：选择是否把文字变量编码为因子，默认为TRUE

将文件存至Rstudio识别的路径
在 read.table()函数中填写文件名之前，需要将文件存到正确的路径中
例如：

1. 
   > ## 查看保存路径
   
2. 
   > getwd()
   
3. 
   [1] "d:/Program Files/RStudio"
   
4. 
   > ## 修改保存路径
   
5. 
   > setwd("E:/read data")
   
6. 
   > ## 读取文件
   
7. 
   > read.csv(data.csv, TRUE)
   
8. 
   >
   
9. 
   > ## 运行文件
   
10. 
    > data <- read.csv("data.csv", header = FALSE)
    
11. 
    > data
    

读取中小型数据集时
直接写文件名

1. 
   > data <- read.table("foo.txt")
   

读取大型数据集时
你需要先清楚该数据占多大内存，如果不设置其他参数，R会默认将整个数据集都载入内存中。

• 如果文件中没有注释行的话，那可以把 comment.char 设置为空，即 comment.char=""
• colClasses 参数很重要，如果不设置，R会扫描每一列数据并判断其类型，非常耗费时间。
• 如果所有列都是同一数据类型，可以直接统一设置 colClasses=numeric
• 如果所有列的数据类型不统一，可以通过设定 nrow()参数，如下

1. 
   initial <- read.table("datatable.txt", nrows = 100) #先读前100行
   
2. 
   classes <- sapply (initial, class) #sapply()遍历每一列，调用class函数告诉你每一列的数据类型，然后将这些信息储存在classes中，
   
3. 
   tabALL <- read.table("datatable.txt", colClasses = classes) #读取整个数据时，使用classes中的信息来指定colClasses）
   

（二）写入数据
与读取数据所用函数相对应的写入数据函数：

• write.table、 write.csv
• writeLines
• dump
• dput
• save、 serialize

（三）输出函数
dump()和 dput()是两种重要的输出函数，用于储存格式和数据。
它们可以包含更多元的数据，属于文本格式但是和表格形式有所不同。如果你对数据框使用 dump()和 dput() 函数，输出结果包括数据框每一列的数据类型，这样读取的是后就不用再次指定类别了。
source和 dget函数可以读取未经 dump()和 dput() 输出的数据
dput()
dput() 可以生成一些代码，这些代码可用于重建R对象：

1. 
   > ## Create a data frame
   
2. 
   > y <- data.frame(a = 1, b = "a")
   
3. 
   > ## Print 'dput' output to console
   
4. 
   > dput(y)
   
5. 
   structure(list(a = 1, b = structure(1L, .Label = "a", class = "factor")), .Names = c("a",
   
6. 
   "b"), row.names = c(NA, -1L), class = "data.frame")
   

输出也可以直接保存到文件中，然后通过 dget() 读取：

1. 
   > ## Send 'dput' output to a file
   
2. 
   > dput(y, file = "y.R")
   
3. 
   > ## Read in 'dput' output from a file
   
4. 
   > new.y <- dget("y.R")
   
5. 
   > new.y
   
6. 
   a b
   
7. 
   1 1 a
   

dump()
dump()函数和 dget()类似，区别是后者只能对单一R对象使用，而 dump() 可作用于多个R对象，接受的是一个包含对象名字的字符向量。

1. 
   > ##创建两个对象x和y
   
2. 
   > x <- "foo"
   
3. 
   > y <- data.frame(a = 1L, b = "a")
   
4. 
   > ## 传递dump参数，包含对象的名字，以及另一个文件名，即将这些对象储存在这个文件中
   
5. 
   > dump(c("x", "y"), file = "data.R")
   
6. 
   > ##删除两个对象
   
7. 
   > rm(x, y)
   
8. 
   > ##对储存对象调用source函数
   
9. 
   > source("data.R")
   
10. 
    > ##重建x, y
    
11. 
    > str(y)
    
12. 
    'data.frame': 1 obs. of 2 variables:
    
13. 
    $ a: int 1
    
14. 
    $ b: Factor w/ 1 level "a": 1
    
15. 
    > x
    
16. 
    [1] "foo"
    

（四）与外部环境交互
R通过一些主要函数与外界交互，建立联系。
常见的联系是与文件建立关联。如 file() 读取文本文件 、 gzfile() 和 bzfile()读取压缩文件等。 url() 可用于与网页建立联系。
联系交互背后的思想是它提炼出与不同类型的R外部对象建立联系的机制。
file函数的几种参数
其中，description是文件名，open参数需要一个标识，包括r（读取，reading），w（写入，writing），a（附加，appending），rb、wb和ab分别表示读取、写入和附加二进制文件。

1. 
   > str(file)
   
2. 
   function (description = "", open = "", blocking = TRUE, encoding = getOption("encoding"),
   
3. 
   raw = FALSE, method = getOption("url.method", "default"))
   

举例，查看名为"foo.txt"的csv.文件

1. 
   > ## Create a connection to 'foo.txt'
   
2. 
   > con <- file("foo.txt")
   
3. 
   >
   
4. 
   > ## Open connection to 'foo.txt' in read-only mode
   
5. 
   > open(con, "r")
   
6. 
   >
   
7. 
   > ## Read from the connection
   
8. 
   > data <- read.csv(con)
   
9. 
   >
   
10. 
    > ## Close the connection
    
11. 
    > close(con)
    

以上三行命令和直接使用read.csv函数的效果一样，因此建立联系的必要性不大

1. 
   > data <- read.csv("foo.txt")
   

但是当你只想读取文件的一部分的话，联系是有必要的。例如，建立联系后，使用readLines函数读取文件前10行：

1. 
   > ## Open connection to gz-compressed text file
   
2. 
   > con <- gzfile("words.gz")
   
3. 
   > x <- readLines(con, 10)
   
4. 
   > x
   
5. 
   [1] "1080" "10-point" "10th" "11-point" "12-point" "16-point"
   
6. 
   [7] "18-point" "1st" "2" "20-point"
   

读取网页数据
首先使用 url() 函数与网页建立联系。然后通过readLines函数来读取文本。这是除了 read.table() 和 read.csv()之外用来读取数据的另外一种方式。

1. 
   > ## Open a URL connection for reading
   
2. 
   > con <- url("http://www.jhsph.edu", "r")
   
3. 
   >
   
4. 
   > ## Read the web page
   
5. 
   > x <- readLines(con)
   
6. 
   >
   
7. 
   > ## Print out the first few lines
   
8. 
   > head(x)
   
9. 
   [1] "<!DOCTYPE html>"
   
10. 
    [2] "<html lang=\"en\">"
    
11. 
    [3] ""
    
12. 
    [4] "<head>"
    
13. 
    [5] "<meta charset=\"utf-8\" />"
    
14. 
    [6] "<title>Johns Hopkins Bloomberg School of Public Health</title>"
    

参考资料：

1. https://bookdown.org/rdpeng/rprogdatascience/R Programming for Data Science
2. 《R语言实战》 Robert I. Kabacoff