[R4DS] [5] readr로 하는 데이터 불러오기
1. Introduce
- R 패키지가 제공하는 데이터를 이용하여 데이터 과학 도구를 익히는 것은 좋은 방법이다.
- 이번 챕터에서는 일반 텍스트 직사각형 파일을 R로 불러오는 방법을 배운다.
-tidyverse 패키지에 존재하는 readr패키지를 사용하여 flat파일을 불러오는 방법을 학습할것이다.
cf) flat file : 구조화 되어 있지 않은 파일
2. 시작하기
- readr 함수 대부분은 플랫 파일을 데이터프레임으로 바꾸는 것과 연관이 있다.
- read_csv() : 쉼표로 구분된 파일을 읽음
- read_csv2() : 세미콜론으로 구분된 파일
- read_tsv() : tap으로 구분된 파일
- read_delim() : 임의의 구분자로 된 파일
- 해당 함수들은 문법이 모두 비슷함
- read_csv()의 첫 번째 인수가 11081가장 중요한데 바로 읽으려고 하는 파일의 경로임.
ex)
heights <- read_csv("/Users/isuhyeon/Desktop/Data/heights.csv")
heights
# A tibble: 1,192 × 6
earn height sex ed age race
<dbl> <dbl> <chr> <dbl> <dbl> <chr>
1 50000 74.4 male 16 45 white
2 60000 65.5 female 16 58 white
3 30000 63.6 female 16 29 white
4 50000 63.1 female 16 91 other
5 51000 63.4 female 17 39 white
6 9000 64.4 female 15 26 white
7 29000 61.7 female 12 49 white
8 32000 72.7 male 17 46 white
9 2000 72.0 male 15 21 hispanic
10 27000 72.2 male 12 26 white
# ℹ 1,182 more rows
# ℹ Use `print(n = ...)` to see more rows
- 인라인 CSV파일을 넣을 수도 있다.
ex)
a <- read_csv("a,b,c
1,2,3
4,5,6")# A tibble: 2 × 3
a b c
<dbl> <dbl> <dbl>
1 1 2 3
2 4 5 6
- read_csv()는 데이터의 첫 번째 줄을 열 이름으로 사용한다.
- 근데 이 규칙을 조정해야 하는 경우가 두 가지가 존재한다
1) 파일 앞 부분에 메타데이터(다른 데이터를 설명해주는 데이터 ex: 주석) n 줄이 있는 경우이다.
- skip = n 을 사용하여 첫 n줄을 건너 뛸 수 있다.
a <- read_csv("메타데이터 1
메타데이터 2
x,y,z
1,2,3",skip = 2)# A tibble: 1 × 3
x y z
<dbl> <dbl> <dbl>
1 1 2 3
- commnet = "#"을 사용하여 #으로 시작하는 모든 줄을 무시할 수 있다.
a <- read_csv("#건너뛰고싶은 주석
x,y,z
1,2,3",commnet = "#")# A tibble: 1 × 3
x y z
<dbl> <dbl> <dbl>
1 1 2 3
2) 데이터에 열 이름이 없을 수 있다.
- col_names = FALSE를 사용하면 X1~Xn 까지 순차적으로 이름을 붙임
a <- read_csv("1,2,3\n4,5,6",col_names= FALSE)# A tibble: 2 × 3
X1 X2 X3
<dbl> <dbl> <dbl>
1 1 2 3
2 4 5 6- 문자형 벡터를 전달할 수도 있다.
a <- read_csv("1,2,3\n4,5,6",col_names= c('a','b','c'))# A tibble: 2 × 3
a b c
<dbl> <dbl> <dbl>
1 1 2 3
2 4 5 6
- 결측값 조정하는 방법
read_csv("a,b,c\n1,2,.",na='.')# A tibble: 1 × 3
a b c
<dbl> <dbl> <lgl>
1 1 2 NA
2.1.베이스 R과 비교
i) 일반적으로 베이스 함수보다 10배 더 빠르다.
ii) tibble 을 생성한다.
2.2 연습문제
Q1) 필드가 "|"로 분리된 파일을 읽으려면 어떤 함수를 사용하겠는가?
data <- read_delim("file.txt", delim = "|")- read_delin("file", delim = "|")
Q2) read_fwf()에서 가장 중요한 인수는 무엇인가?
- read_fwf()는 고정 너비 파일을 읽는다.
- 필드 너비는 fwf_widths()를 이용하여,
- 필드 위치는 fwf_positions() 이용
3. 벡터 파싱하기
- parse_*() : 문자형 벡터를 입력으로 하여 논리형, 정수형 또는 날짜형과 같은 좀 더 특수화된 벡터를 반환함
> str(parse_logical(c("TRUE","FALSE","NA")))
logi [1:3] TRUE FALSE NA
> str(parse_integer(c("1","2","3")))
int [1:3] 1 2 3
> str(parse_date(c("2010-01-01","1979-10-14")))
Date[1:2], format: "2010-01-01" "1979-10-14"- python 에서 map과 비슷한 느낌이라고 생각하면 좋다.
-parse_logical() : 논리형을 파싱
-parse_integer() : 정수형 파싱
-parse_double() : 엄격한 수치형 파서
-parse_number() : 유연한 수치형 피사
-parse_character() : 문자 인코딩
-parse_factor() : 팩터형 파싱
-parse_datetime(), parse_date(),parse_time() : 다양한 날짜와 시간 데이터 파싱
3.1 숫자
- 숫자 파싱은 간단해 보이지만, 다음의 세 가지 문제 때문에 까다롭다.
i) 세계 여러 지역에서 사람들은 숫자를 다르게 쓴다.
ii) 숫자는 '$1000' '10%'와 같이 단위를 나타내는 다른 문자가 붙어있을 때가 많다.
iii)'1,000,000'과 같이 쉽게 읽을 수 있도록 '그룹화' 문자가 포함되는 경우가 많다.
- 첫 번째 문제를 해결하기 위해서 readr은 지역에 따라 파싱 옵션을 지정하는 객체인 '로캘(locale')이라는 개념을 사용한다.
- 숫자를 파싱할 때 가장 중요한 옵션은 소수점으로 사용하는 문자이다.
-decimal_mark인수를 설정하여 기본값인 . 를 다른 값으로 재정의할 수 있다.
parse_double("1.23")
[1] 1.23
parse_double("1,23",locale=locale(decimal_mark = ","))
[1] 1.23
- 두번째 문제를 해결하는 방법 parse_number()은 숫자 앞뒤의 비수치문자(non-numeric character)를 무시한다.
- 통화 및 백분율에 특히 유용하지만, 텍스트에 포함된 숫자를 추출하는 데도 효과적이다.
parse_number("당신의 숫자는 8입니다.")
[1] 8
parse_number("8$")
[1] 8
-마지막 문제는 parse_number()와 로캘을 조합하여 parse_number()가 '그룹화 마크'를 무시하도록 함으로써 해결할 수 있다.
parse_number("123.456.789",
+ locale = locale(grouping_mark = "."))
[1] 123456789
3.2 연습문제
Q1) locale()에서 가장 중요한 인수들은 무엇인가?
- decimal_mark : 소수점 기호 지정
- grouping_mark: 숫자의 그룹 구분 기호 지정
Q2) decimal_mark & grouping_mark를 동일 문자로 설정하려고 하면 어떻게 되는가?
parse_number("123.456.789",
+ locale = locale(grouping_mark = ".",decimal_mark = "."))
Error: `decimal_mark` and `grouping_mark` must be different- 다른 값으로 지정해주라는 오류가 뜬다.
Q3) 가장 많이 읽는 파일 형식에 대한 설정을 압축한 새로운 로컬 객체를 만들어 보라.
library(readr)
# 일반적으로 사용되는 파일 형식에 대한 로컬 객체 생성
common_locale <- locale(decimal_mark = ".", grouping_mark = ",",
date_format = "%Y-%m-%d", time_format = "%H:%M:%S")
# 새로운 로컬 객체 확인
common_locale<locale>
Numbers: 123,456.78
Formats: %Y-%m-%d / %H:%M:%S
Timezone: UTC
Encoding: UTF-8
<date_names>
Days: Sunday (Sun), Monday (Mon), Tuesday (Tue), Wednesday (Wed), Thursday (Thu),
Friday (Fri), Saturday (Sat)
Months: January (Jan), February (Feb), March (Mar), April (Apr), May (May), June
(Jun), July (Jul), August (Aug), September (Sep), October (Oct),
November (Nov), December (Dec)
AM/PM: AM/PMQ4) read_csv() 와 read_csv2()의 차이점은 무엇인가?
- read_csv() : , 을 기준으로 분리한다.
- read_csv2() : ; 을 기준으로 분리한다.
4. 파일 파싱하기
- 지금까지 개별 벡터를 파싱하는 방법을 배웠으니, readr이 파일을 파싱하는 방법에 대해 알아보자.
- 다음과 같이 두 방법을 배운다
i) readr이 각 열의 유형을 자동으로 추측하는 방법
ii) 기본 사양을 재정의하는 방법
4.1. 전략
- readr은 휴리스틱 방법을 사용하여 각 열의 유형을 파악한다.
- 첫 번째 1000행을 읽고 휴리스틱 방법을 사용하여 각 열의 유형을 찾는다.
-guess_parser() : readr의 추정을 반환
-parse_guess() : 앞의 추정을 사용하여 열을 파싱
> guess_parser("2010-10-01")
[1] "date"
> guess_parser("15:01")
[1] "time"
> guess_parser(c("TRUE","FALSE"))
[1] "logical"
> guess_parser(c("1","2","3"))
[1] "double"
> guess_parser(c("12,352,561"))
[1] "number"
> str(parse_guess("2010-10-10"))
Date[1:1], format: "2010-10-10"
- 이 휴리스틱 방법은 다음 유형들을 각각 시도하여 일치하는 항목을 찾으면 멈춘다.
논리형
- "F","T","FALSE","TRUE"
정수형
- 수치형 문자만 포함.
더블형
-유효한 더블형만 포함
수치형
- 내부에 그룹화 마크가 있는 유효한 더블형을 포함.
타임형
- time_format과 일치
데이트형
- date_format과 일치
데이트 타임형
- ISO 8601 날짜
- 이러한 규칙 중 어느 것도 적용되지 않으면 해당 열은 문자열 벡터로 그대로 남는다.