作者：圈圈
来源公众号：宏基因组
前文传送门：
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：最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，表明第一行是否有表头、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：
> ## 查看保存路径> getwd()[1] "d:/Program Files/RStudio"> ## 修改保存路径> setwd("E:/read data")> ## 读取文件> read.csv(data.csv, TRUE)>> ## 运行文件> data <- read.csv("data.csv", header = FALSE)> data
读取中小型数据集时
直接写文件名
> 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
initial <- read.table("datatable.txt", nrows = 100) #先读前100行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，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.csvwriteLinesdumpdputsave、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：
> ## Create a data frame> y <- data.frame(a = 1, b = "a")> ## Print 'dput' output to console> dput(y)structure(list(a = 1, b = structure(1L, .Label = "a", class = "factor")), .Names = c("a","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：
> ## Send 'dput' output to a file> dput(y, file = "y.R")> ## Read in 'dput' output from a file> new.y <- dget("y.R")> new.ya b1 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。
> ##创建两个对象x和y> x <- "foo"> y <- data.frame(a = 1L, b = "a")> ## 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> dump(c("x", "y"), file = "data.R")> ##删除两个对象> rm(x, y)> ##对储存对象调用source函数> source("data.R")> ##重建x, y> str(y)'data.frame': 1 obs. of 2 variables:$ a: int 1$ b: Factor w/ 1 level "a": 1> x[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。
最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。
> str(file)function (description = "", open = "", blocking = TRUE, encoding = getOption("encoding"),raw = FALSE, method = getOption("url.method", "default"))
举例，查看名为"foo.txt"的csv.文件
> ## Create a connection to 'foo.txt'> con <- file("foo.txt")>> ## Open connection to 'foo.txt' in read-only mode> open(con, "r")>> ## Read from the connection> data <- read.csv(con)>> ## Close the connection> 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
> 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：
> ## Open connection to gz-compressed text file> con <- gzfile("words.gz")> x <- readLines(con, 10)> x[1] "1080" "10-point" "10th" "11-point" "12-point" "16-point"[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。
> ## Open a URL connection for reading> con <- url("http://www.jhsph.edu", "r")>> ## Read the web page> x <- readLines(con)>> ## Print out the first few lines> head(x)[1] "<!DOCTYPE html>"[2] "<html lang=\"en\">"[3] ""[4] "<head>"[5] "<meta charset=\"utf-8\" />"[6] "<title>Johns Hopkins Bloomberg School of Public Health</title>"
参考资料：
https://bookdown.org/rdpeng/rprogdatascience/R Programming for Data Science
《R语言实战》 Robert I. Kabacoff
公众号后台回复关键字即可学习
回复 R R语言快速入门及数据挖掘
回复 Kaggle案例 Kaggle十大案例精讲（连载中）
回复 文本挖掘 手把手教你做文本挖掘
回复 可视化 R语言可视化在商务场景中的应用
回复 大数据 大数据系列免费视频教程
回复 量化投资 张丹教你如何用R语言量化投资
回复 用户画像 京东大数据，揭秘用户画像
回复 数据挖掘 常用数据挖掘算法原理解释与应用
回复 机器学习 人工智能系列之机器学习与实践
回复 爬虫 R语言爬虫实战案例分享