Breve introducción a la librería readr
Una gran herramienta para trabajar con ficheros de datos
Fotografía de Dan Magatti, disponible en Unsplash.
En este artículo exploraremos las posibilidades que nos ofrece una librería de R, readr, integrante del famoso tidyverso, de cara a la importación y exportación de nuestros conjuntos de datos.
No me ha disgustado, en absoluto, el sistema que caracteriza los cursos de la plataforma DataCamp. Píldoras condensadas de teoría acompañadas, de inmediato, por ejercicios para su aplicación directa, ofreciendo así un enfoque para el aprendizaje bastante práctico y ameno. He tomado algunas notas personales para el curso abierto, que en el portal aparece, relativo a la librería readr: “Reading Data into R with readr”, al que podemos acceder a través del siguiente enlace.
El material está desglosado en dos capítulos. En el primero de ellos, aprenderemos diversas funciones, contenidas en este paquete, que facilitarán enormemente la labor de importar datos utilizando el lenguaje de programación R. En el segundo, el objetivo será utilizar las herramientas que la librería pone a nuestra disposición para analizar y convertir las clases que poseen las columnas del conjunto de datos recién importado.
readr es una componente del denominado tidyverso (tidyverse en inglés, que parece que siempre suena mejor), un conjunto de librerías que todo usuario de R debería si no dominar, al menos conocer, para así resolver ciertas situaciones de la manera más sencilla posible (basta imaginar tener que hacer a mano algunas de las tareas que paquetes como dplyr o tidyr llevan a cabo para darse cuenta de este hecho).
1. Importando datos con readr
1.1. Archivos .csv
A la hora de importar conjuntos de datos en R, uno de los formatos más habituales en los que hallamos información es en archivos separados por comas (comma separated values), cuya extensión suele ser .csv. En ellos encontramos múltiples líneas que recogen la tabla de interés, y en las cuales los valores aparecen, de manera consecutiva, separados por el carácter ,.
Para importar este tipo de ficheros en nuestra sesión de R, utilizaremos la función read_csv(). Para acceder a su documentación, en primer lugar, cargaremos la librería readr (o la instalaremos si todavía no lo hemos hecho).
if(!require(readr)) {install.packages("readr")}
## Loading required package: readr
library(readr)
?read_csv
El único argumento que hemos de pasar a esta función, de manera obligatoria, es file, el nombre del archivo que pretendemos importar (o bien la ruta completa donde éste se encuentra). El resto son opcionales, y deberían resultarnos familiares la mayoría de ellos si hemos trabajado alguna vez con funciones del tipo read.table() o read.csv(). Algunas de las ventajas que utilizar read_csv() ofrece son:
- No convierte, automáticamente, las columnas con cadenas de caracteres a factores, como sí hacen por defecto las otras funciones referidas en el párrafo anterior.
- Reconoce ocho clases diferentes de datos (
integer,logical, etc.), dejando el resto como cadenas de caracteres.
Pongamos a prueba su uso importando un conjunto de datos que contiene tanto los pesos, como el tipo de alimentación, de 71 pollos. El archivo de interés es chickwts.csv, por lo que empezaremos especificando la ruta para acceder a él en el argumento file. Como en el segundo capítulo llevaremos a cabo algunas acciones sobre los conjuntos de datos que aparecerán en esta sección, todos los ficheros que importemos los almacenaremos en objetos dentro de R.
cwts <- read_csv(file = "datasets/chickwts.csv")
## Parsed with column specification:
## cols(
## weight = col_integer(),
## feed = col_character()
## )
Es interesante el mensaje que aparece en la consola al ejecutar la anterior instrucción, ya que nos informa el resultado del análisis, que la función realiza, para inferir las clases de cada una de las columnas que componen la tabla. Echemos un vistazo al contenido del archivo que acabamos de importar.
head(cwts)
## # A tibble: 6 × 2
## weight feed
## <int> <chr>
## 1 179 horsebean
## 2 160 horsebean
## 3 136 horsebean
## 4 227 horsebean
## 5 217 horsebean
## 6 168 horsebean
str(cwts)
## Classes 'tbl_df', 'tbl' and 'data.frame': 71 obs. of 2 variables:
## $ weight: int 179 160 136 227 217 168 108 124 143 140 ...
## $ feed : chr "horsebean" "horsebean" "horsebean" "horsebean" ...
## - attr(*, "spec")=List of 2
## ..$ cols :List of 2
## .. ..$ weight: list()
## .. .. ..- attr(*, "class")= chr "collector_integer" "collector"
## .. ..$ feed : list()
## .. .. ..- attr(*, "class")= chr "collector_character" "collector"
## ..$ default: list()
## .. ..- attr(*, "class")= chr "collector_guess" "collector"
## ..- attr(*, "class")= chr "col_spec"
A primera vista, la columna feed posiblemente estaría mejor codificada bajo la clase factor (aunque esto siempre va a depender de nuestros intereses y el uso que tengamos en mente para esta variable). No obstante, recordemos que éste no es el comportamiento que por defecto incorpora la función read_csv() (aunque después veremos cómo declarar con antelación las clases para las columnas de un archivo y posibilitar su lectura como factores).
Utilicemos de nuevo esta función con otro conjunto de datos, chickwts2.csv (más información relativa al peso y tipo de alimentación de 18 pollos distintos), que usaremos más adelante en este capítulo, cuando lleguemos al apartado de exportar tablas a ficheros.
cwts2 <- read_csv("datasets/chickwts2.csv")
## Parsed with column specification:
## cols(
## weight = col_integer(),
## feed = col_character()
## )
head(cwts2)
## # A tibble: 6 × 2
## weight feed
## <int> <chr>
## 1 309 corn
## 2 229 corn
## 3 213 corn
## 4 257 corn
## 5 244 corn
## 6 271 corn
str(cwts2)
## Classes 'tbl_df', 'tbl' and 'data.frame': 18 obs. of 2 variables:
## $ weight: int 309 229 213 257 244 271 243 248 257 303 ...
## $ feed : chr "corn" "corn" "corn" "corn" ...
## - attr(*, "spec")=List of 2
## ..$ cols :List of 2
## .. ..$ weight: list()
## .. .. ..- attr(*, "class")= chr "collector_integer" "collector"
## .. ..$ feed : list()
## .. .. ..- attr(*, "class")= chr "collector_character" "collector"
## ..$ default: list()
## .. ..- attr(*, "class")= chr "collector_guess" "collector"
## ..- attr(*, "class")= chr "col_spec"
1.2. Archivos .tsv
La librería readr posee también una función específica para la lectura de los archivos separados por tabulaciones, cuya extensión suele ser .tsv (aunque personalmente también he visto alguno que utiliza .tab). Se trata de read_tsv() y si accedemos a su documentación comprobaremos que su uso es exactamente idéntico al de la función que exploramos en la sección anterior.
?read_tsv
Investiguemos alguno de los argumentos que podemos declarar, de manera opcional, en esta función (y, por tanto, lo que aprendamos será de utilidad también de cara al uso de read_csv()). Por ejemplo, para controlar el nombre de las columnas de la tabla que deseamos importar, el argumento col_names es el indicado, y puede tomar los siguientes valores:
TRUE: utiliza la información disponible en la primera línea del archivo para declarar los nombres de las columnas, no incluyéndolos por tanto en el interior de la propia tabla.FALSE: genera, de manera automática, los clásicos nombresX1,X2,X3, etc., para las columnas, y empieza a incluir la información en la tabla desde la primera fila.- La última opción disponible es utilizar un vector que contenga los nombres de las columnas, y, como antes, desde la primera fila se insertarán los datos en el interior de la tabla.
Por ejemplo, importemos a continuación el fichero salaries.tsv. Si abrimos el archivo con un editor de texto plano cualquiera, comprobaremos que la primera línea no contiene los respectivos nombres para cada una de las columnas, y dado que no conocemos de antemano qué declara cada una, usar el argumento col_names = FALSE parece la opción más adecuada.
salaries <- read_tsv("datasets/Salaries.tsv", col_names = FALSE)
## Parsed with column specification:
## cols(
## X1 = col_character(),
## X2 = col_character(),
## X3 = col_integer(),
## X4 = col_integer(),
## X5 = col_character(),
## X6 = col_integer()
## )
head(salaries)
## # A tibble: 6 × 6
## X1 X2 X3 X4 X5 X6
## <chr> <chr> <int> <int> <chr> <int>
## 1 Prof B 19 18 Male 139750
## 2 Prof B 20 16 Male 173200
## 3 AsstProf B 4 3 Male 79750
## 4 Prof B 45 39 Male 115000
## 5 Prof B 40 41 Male 141500
## 6 AssocProf B 6 6 Male 97000
str(salaries)
## Classes 'tbl_df', 'tbl' and 'data.frame': 397 obs. of 6 variables:
## $ X1: chr "Prof" "Prof" "AsstProf" "Prof" ...
## $ X2: chr "B" "B" "B" "B" ...
## $ X3: int 19 20 4 45 40 6 30 45 21 18 ...
## $ X4: int 18 16 3 39 41 6 23 45 20 18 ...
## $ X5: chr "Male" "Male" "Male" "Male" ...
## $ X6: int 139750 173200 79750 115000 141500 97000 175000 147765 119250 129000 ...
## - attr(*, "spec")=List of 2
## ..$ cols :List of 6
## .. ..$ X1: list()
## .. .. ..- attr(*, "class")= chr "collector_character" "collector"
## .. ..$ X2: list()
## .. .. ..- attr(*, "class")= chr "collector_character" "collector"
## .. ..$ X3: list()
## .. .. ..- attr(*, "class")= chr "collector_integer" "collector"
## .. ..$ X4: list()
## .. .. ..- attr(*, "class")= chr "collector_integer" "collector"
## .. ..$ X5: list()
## .. .. ..- attr(*, "class")= chr "collector_character" "collector"
## .. ..$ X6: list()
## .. .. ..- attr(*, "class")= chr "collector_integer" "collector"
## ..$ default: list()
## .. ..- attr(*, "class")= chr "collector_guess" "collector"
## ..- attr(*, "class")= chr "col_spec"
En la llamada a la función read_tsv(), hemos recibido por consola el siguiente mensaje:
Parsed with column specification:
cols(
X1 = col_character(),
X2 = col_character(),
X3 = col_integer(),
X4 = col_integer(),
X5 = col_character(),
X6 = col_integer()
)
Como ya comentábamos en la sección anterior, esta información nos indica la clase que la función read_tsv() ha inferido para todas y cada una de las columnas contenidas en el archivo. De hecho, este comportamiento no se restringe únicamente a las funciones read_csv() y read_tsv(), sino a todas las implementadas en la librería readr cuya empresa es, precisamente, la lectura de ficheros de datos.
A través del argumento col_types tenemos cierto control sobre la declaración de la clase de las columnas, utilizando funciones predefinidas del estilo col_*() (como col_integer(), col_character(), etc.). La forma de usar este argumento es muy sencilla: simplemente tenemos que escribir col_types = cols() e incluir en el interior de cols() los nombres de las columnas y la clase que deseamos posean (siguiendo el estilo de, por ejemplo, el mensaje por consola que mostrábamos arriba).
Una función que nos puede interesar, en este momento, es col_skip(), que le indica a R que omita una determinada columna a la hora de importar la información de un archivo de datos. Veamos su uso con más detalle a través de un ejemplo. Supongamos que sólo estamos interesados en las columnas primera, quinta y sexta del anterior fichero de datos. Así pues, no tendríamos más que escribir:
salaries <- read_tsv("datasets/Salaries.tsv", col_names = FALSE,
col_types = cols(
X2 = col_skip(),
X3 = col_skip(),
X4 = col_skip()
))
head(salaries)
## # A tibble: 6 × 3
## X1 X5 X6
## <chr> <chr> <int>
## 1 Prof Male 139750
## 2 Prof Male 173200
## 3 AsstProf Male 79750
## 4 Prof Male 115000
## 5 Prof Male 141500
## 6 AssocProf Male 97000
str(salaries)
## Classes 'tbl_df', 'tbl' and 'data.frame': 397 obs. of 3 variables:
## $ X1: chr "Prof" "Prof" "AsstProf" "Prof" ...
## $ X5: chr "Male" "Male" "Male" "Male" ...
## $ X6: int 139750 173200 79750 115000 141500 97000 175000 147765 119250 129000 ...
## - attr(*, "spec")=List of 2
## ..$ cols :List of 6
## .. ..$ X1: list()
## .. .. ..- attr(*, "class")= chr "collector_character" "collector"
## .. ..$ X2: list()
## .. .. ..- attr(*, "class")= chr "collector_skip" "collector"
## .. ..$ X3: list()
## .. .. ..- attr(*, "class")= chr "collector_skip" "collector"
## .. ..$ X4: list()
## .. .. ..- attr(*, "class")= chr "collector_skip" "collector"
## .. ..$ X5: list()
## .. .. ..- attr(*, "class")= chr "collector_character" "collector"
## .. ..$ X6: list()
## .. .. ..- attr(*, "class")= chr "collector_integer" "collector"
## ..$ default: list()
## .. ..- attr(*, "class")= chr "collector_guess" "collector"
## ..- attr(*, "class")= chr "col_spec"
1.3. Archivos .csv (formato europeo)
En muchos países de este continente, usamos la coma como separador decimal, de manera que los archivos separados por comas, en realidad, terminan siendo separados por el símbolo ; (punto y coma). Por curiosidad, puedes probar a crear una tabla sencilla en, por ejemplo, Excel y exportarla como archivo separado por comas, para luego abrir el archivo con un editor de texto plano y verificar que, efectivamente, los valores están separados por ; (en realidad este comportamiento se puede modificar desde las opciones de formato del sistema operativo, pero no entraremos en ese tipo de detalles).
En previsión de esta particularidad, la librería readr pone a nuestra disposición la función read_csv2(), que identifica el símbolo ; como separador de valores, mientras que , queda como separador decimal. Obviando esta salvedad, su uso es idéntico al de las funciones presentadas en los anteriores apartados.
Tomemos ahora el archivo trees.csv (que contiene información sobre la circunferencia, la altura y el volumen de cerezos negros), el cual viene dado en el formato al que nos estamos refiriendo aquí, e importémoslo directamente con la función read_csv(), en lugar de con read_csv2(), para ver qué sucede.
trees_wrong <- read_csv("datasets/trees.csv")
## Parsed with column specification:
## cols(
## `Girth";"Height";"Volume` = col_character()
## )
## Warning: 30 parsing failures.
## row col expected actual
## 1 -- 1 columns 3 columns
## 2 -- 1 columns 3 columns
## 3 -- 1 columns 3 columns
## 4 -- 1 columns 3 columns
## 5 -- 1 columns 3 columns
## ... ... ......... .........
## See problems(...) for more details.
En favor de la función read_csv() hay que decir que, al menos, nos indica la existencia de ciertos problemas, o situaciones inesperadas, durante la importación del archivo. De todas formas, podemos observar cómo ha procedido a generar una tabla con una única columna, en lugar de las correspondientes tres que hubiese sido lo adecuado en esta ocasión. Comprobemos qué contiene el objeto trees_wrong.
dim(trees_wrong)
## [1] 31 1
head(trees_wrong)
## # A tibble: 6 × 1
## `Girth";"Height";"Volume`
## <chr>
## 1 8
## 2 8
## 3 8
## 4 10
## 5 10
## 6 10
str(trees_wrong)
## Classes 'tbl_df', 'tbl' and 'data.frame': 31 obs. of 1 variable:
## $ Girth";"Height";"Volume: chr "8" "8" "8" "10" ...
## - attr(*, "problems")=Classes 'tbl_df', 'tbl' and 'data.frame': 30 obs. of 4 variables:
## ..$ row : int 1 2 3 4 5 6 7 8 9 10 ...
## ..$ col : chr NA NA NA NA ...
## ..$ expected: chr "1 columns" "1 columns" "1 columns" "1 columns" ...
## ..$ actual : chr "3 columns" "3 columns" "3 columns" "3 columns" ...
## - attr(*, "spec")=List of 2
## ..$ cols :List of 1
## .. ..$ Girth";"Height";"Volume: list()
## .. .. ..- attr(*, "class")= chr "collector_character" "collector"
## ..$ default: list()
## .. ..- attr(*, "class")= chr "collector_guess" "collector"
## ..- attr(*, "class")= chr "col_spec"
Veamos ahora el resultado que obtenemos al utilizar la función read_csv2().
trees <- read_csv2("datasets/trees.csv")
## Parsed with column specification:
## cols(
## Girth = col_double(),
## Height = col_integer(),
## Volume = col_double()
## )
dim(trees)
## [1] 31 3
head(trees)
## # A tibble: 6 × 3
## Girth Height Volume
## <dbl> <int> <dbl>
## 1 8.3 70 10.3
## 2 8.6 65 10.3
## 3 8.8 63 10.2
## 4 10.5 72 16.4
## 5 10.7 81 18.8
## 6 10.8 83 19.7
str(trees)
## Classes 'tbl_df', 'tbl' and 'data.frame': 31 obs. of 3 variables:
## $ Girth : num 8.3 8.6 8.8 10.5 10.7 10.8 11 11 11.1 11.2 ...
## $ Height: int 70 65 63 72 81 83 66 75 80 75 ...
## $ Volume: num 10.3 10.3 10.2 16.4 18.8 19.7 15.6 18.2 22.6 19.9 ...
## - attr(*, "spec")=List of 2
## ..$ cols :List of 3
## .. ..$ Girth : list()
## .. .. ..- attr(*, "class")= chr "collector_double" "collector"
## .. ..$ Height: list()
## .. .. ..- attr(*, "class")= chr "collector_integer" "collector"
## .. ..$ Volume: list()
## .. .. ..- attr(*, "class")= chr "collector_double" "collector"
## ..$ default: list()
## .. ..- attr(*, "class")= chr "collector_guess" "collector"
## ..- attr(*, "class")= chr "col_spec"
1.4. Archivos con ancho de columna fijo
En ocasiones, el formato en el que encontramos los archivos de datos es similar al mostrado en R a la hora de imprimir en consola un data.frame. Es decir, cada columna posee un total de caracteres fijos y éstas se separan usando espacios en blanco (que también se utilizan para rellenar aquellos valores cuya longitud es menor que la correspondiente a su columna).
El archivo names.txt constituye un ejemplo de lo comentado en el párrafo anterior. En su interior encontramos los nombres de ciertos personajes famosos, el estado donde supuestamente residen y, como no podía ser de otra manera, sus falsos números de teléfono.
La función adecuada para lidiar con estos casos es read_table(), cuya documentación ofrece un listado de argumentos bastante familiares a estas alturas.
?read_table
Importemos pues el fichero names.txt, declarando adecuadamente los nombres para las columnas utilizando el parámetro col_names.
names <- read_table("datasets/names.txt",
col_names = c("name", "state", "phone"))
names
## # A tibble: 6 × 3
## name state phone
## <chr> <chr> <chr>
## 1 Oprah Winfrey null 800-555-4111
## 2 Walt Disney Florida 407-555-4341
## 3 Michael Scott Pennsylvania 570-555-2301
## 4 Cosmo Kramer New York 212-555-9337
## 5 Rutherford B. Hayes Ohio 220-555-1388
## 6 Chester A. Arthur Vermont 802-555-8383
str(names)
## Classes 'tbl_df', 'tbl' and 'data.frame': 6 obs. of 3 variables:
## $ name : chr "Oprah Winfrey" "Walt Disney" "Michael Scott" "Cosmo Kramer" ...
## $ state: chr "null" "Florida" "Pennsylvania" "New York" ...
## $ phone: chr "800-555-4111" "407-555-4341" "570-555-2301" "212-555-9337" ...
## - attr(*, "spec")=List of 2
## ..$ cols :List of 3
## .. ..$ name : list()
## .. .. ..- attr(*, "class")= chr "collector_character" "collector"
## .. ..$ state: list()
## .. .. ..- attr(*, "class")= chr "collector_character" "collector"
## .. ..$ phone: list()
## .. .. ..- attr(*, "class")= chr "collector_character" "collector"
## ..$ default: list()
## .. ..- attr(*, "class")= chr "collector_guess" "collector"
## ..- attr(*, "class")= chr "col_spec"
Aprovechemos este particular ejemplo para ilustrar el tratamiento de los valores perdidos con las funciones de la librería readr dedicadas a importar archivos de datos. Por defecto, sólo se reconoce NA como valor perdido, pero, en esta ocasión, si nos fijamos en la primera fila de la tabla, han optado por usar null para registrar la ausencia de información para ciertos atributos concretos.
No supone esto demasiado inconveniente, puesto que utilizando el parámetro na podemos declarar, mediante un vector, qué cadenas de texto deben ser consideradas como valores perdidos (y automáticamente pasarán a ser NA en el objeto que creemos en R). Por defecto, na = "NA", de manera que simplemente tenemos que declarar na = c("NA", "null") en nuestro caso.
names2 <- read_table("datasets/names.txt",
col_names = c("name", "state", "phone"),
na = c("NA", "null"))
head(names2)
## # A tibble: 6 × 3
## name state phone
## <chr> <chr> <chr>
## 1 Oprah Winfrey <NA> 800-555-4111
## 2 Walt Disney Florida 407-555-4341
## 3 Michael Scott Pennsylvania 570-555-2301
## 4 Cosmo Kramer New York 212-555-9337
## 5 Rutherford B. Hayes Ohio 220-555-1388
## 6 Chester A. Arthur Vermont 802-555-8383
1.5. Archivos de texto
Es posible que nuestro interés no se centre tanto en examinar tablas de datos, como texto propiamente dicho, sobretodo ahora que tan de moda está el análisis de sentimiento (para estudiar opiniones, discursos, etc.). La librería readr pone a nuestra disposición un par de funciones que nos serán útiles en estos casos:
read_lines(): devuelve un vector de cadenas de texto, donde cada elemento recoge una línea del archivo de datos original.
?read_lines
read_file(): devuelve un vector de dimensión unitaria que contiene el texto completo del archivo de datos original, y donde los saltos de línea se representan utilizando\n.
?read_file
En el fichero tweets.txt encontramos algunos tuits correspondientes a la cuenta @RealCarrotFacts (puedes comprobar que, efectivamente, existe dicha cuenta y que es un tanto curiosa). Procedamos a importar su contenido utilizando ambas funciones, para así apreciar de manera práctica la diferencia.
tweets <- read_lines("datasets/tweets.txt")
tweets
## [1] "carrots can be eat by most people"
## [2] "On predisents day we honor the big US man himself: Aberham Liclon. Tall, skinny, dry, and cruncy - he was america's carrot"
## [3] "knock knoc who is there? yup: carosot ( joke )"
## [4] "it is 2016 time for a carot emoji please!"
## [5] "when life give you lemnos , have a carrot"
## [6] "If you squent your eyes real hard a football look like a dry brown carrot Honestly"
str(tweets)
## chr [1:6] "carrots can be eat by most people" ...
tweets_all <- read_file("datasets/tweets.txt")
tweets_all
## [1] "carrots can be eat by most people\nOn predisents day we honor the big US man himself: Aberham Liclon. Tall, skinny, dry, and cruncy - he was america's carrot\nknock knoc who is there? yup: carosot ( joke )\nit is 2016 time for a carot emoji please!\nwhen life give you lemnos , have a carrot\nIf you squent your eyes real hard a football look like a dry brown carrot Honestly"
str(tweets_all)
## chr "carrots can be eat by most people\nOn predisents day we honor the big US man himself: Aberham Liclon. Tall, skinny, dry, and"| __truncated__
1.6. Escribiendo archivos .csv y .tsv
Una vez hemos importado nuestro conjunto de datos de interés, y realizamos sobre él ciertas manipulaciones, es bastante probable que deseemos almacenar el resultado en un archivo para su posterior uso y disfrute. La librería readr contiene varias funciones del estilo write_*() (por ejemplo, write_csv() o write_tsv()) orientadas a satisfacer esta necesidad, y que se caracterizan por un par de detalles realmente interesantes:
- A diferencia de funciones como
write.csv(), no añaden por defecto los números (o nombres) de las filas al archivo exportado, lo cual suele ser el comportamiento deseado en la mayoría de ocasiones. - El parámetro
col_namesadopta como valor el contrario al que poseeappend, manera de actuar que tiene todo el sentido del mundo. Si decidimos continuar añadiendo datos a un archivo que previamente hemos exportado, declararemosappend = TRUEy, por tanto, no aparecerán de nuevo, y en mitad del fichero, los nombres de las columnas.
Veamos este último punto con mayor detalle a través de un ejemplo. En primer lugar, exportaremos a un archivo separado por comas el objeto cwts que generamos en una sección anterior. A Continuación, añadiremos al mencionado archivo el contenido del objeto cwts2.
write_csv(cwts, "chickwts.csv")
write_csv(cwts2, "chickwts.csv", append=TRUE)
Procedamos ahora a importar el fichero recién generado y examinémoslo.
cwts3 <- read_csv("chickwts.csv")
## Parsed with column specification:
## cols(
## weight = col_integer(),
## feed = col_character()
## )
head(cwts3)
## # A tibble: 6 × 2
## weight feed
## <int> <chr>
## 1 179 horsebean
## 2 160 horsebean
## 3 136 horsebean
## 4 227 horsebean
## 5 217 horsebean
## 6 168 horsebean
str(cwts3)
## Classes 'tbl_df', 'tbl' and 'data.frame': 89 obs. of 2 variables:
## $ weight: int 179 160 136 227 217 168 108 124 143 140 ...
## $ feed : chr "horsebean" "horsebean" "horsebean" "horsebean" ...
## - attr(*, "spec")=List of 2
## ..$ cols :List of 2
## .. ..$ weight: list()
## .. .. ..- attr(*, "class")= chr "collector_integer" "collector"
## .. ..$ feed : list()
## .. .. ..- attr(*, "class")= chr "collector_character" "collector"
## ..$ default: list()
## .. ..- attr(*, "class")= chr "collector_guess" "collector"
## ..- attr(*, "class")= chr "col_spec"
1.7. Escribiendo archivos .rds
Es posible que estemos interesados en exportar no solamente los valores de una tabla, sino ciertos metadatos asociados a ella, como pueden ser, por ejemplo, las clases de las diferentes columnas que la compongan. No es fácil incorporar este tipo de información a un archivo separado por comas o tabulaciones, por lo que la librería readr nos ofrece la posibilidad de exportar un objeto completo de R a través de la función write_rds().
?write_rds
La mencionada función no es más que un wrapper (desconozco la traducción a español de este término) de la función saveRDS(), con la única particularidad de que, por defecto, no comprime el archivo resultante (aunque este comportamiento se puede definir a través del parámetro compress).
Ilustremos su aplicación mediante un ejemplo. Exportaremos el objeto trees que generamos en una sección anterior utilizando la función write_rds(), para a continuación importarlo inmediatamente con read_rds() y asignarlo a trees2. Finalmente, compararemos si ambos objetos son idénticos, empleando para ello la función identical().
write_rds(trees, "trees.rds")
trees2 <- read_rds("trees.rds")
identical(trees, trees2)
## [1] TRUE
2. Analizando datos con readr
2.1. Modificando la clase de las columnas
Aunque las funciones para importar archivos de datos que pone a nuestra disposición la librería readr, realizan una labor estupenda a la hora de inferir la clase de cada una de las columnas que componen una tabla, su comportamiento dista de ser perfecto. Esto se traducirá, seguramente, en la necesidad de llevar a cabo ciertas modificaciones, sobre las mencionadas clases, para algunos casos concretos.
Para ello, la función adecuada a utilizar es type_convert(), que incorpora el conocido argumento col_types en su llamada. Ilustremos su uso y aprovechemos, además, para emplear la notación abreviada para los tipos de datos que readr ofrece. Tomaremos el objeto trees y declararemos todas sus columnas de tipo numeric.
?type_convert
trees3 <- type_convert(trees,
col_types = cols(
Girth = "d",
Height = "d",
Volume = "d")
)
## Warning: The following named parsers don't match the column names: Girth,
## Height, Volume
str(trees3)
## Classes 'tbl_df', 'tbl' and 'data.frame': 31 obs. of 3 variables:
## $ Girth : num 8.3 8.6 8.8 10.5 10.7 10.8 11 11 11.1 11.2 ...
## $ Height: int 70 65 63 72 81 83 66 75 80 75 ...
## $ Volume: num 10.3 10.3 10.2 16.4 18.8 19.7 15.6 18.2 22.6 19.9 ...
## - attr(*, "spec")=List of 2
## ..$ cols :List of 3
## .. ..$ Girth : list()
## .. .. ..- attr(*, "class")= chr "collector_double" "collector"
## .. ..$ Height: list()
## .. .. ..- attr(*, "class")= chr "collector_integer" "collector"
## .. ..$ Volume: list()
## .. .. ..- attr(*, "class")= chr "collector_double" "collector"
## ..$ default: list()
## .. ..- attr(*, "class")= chr "collector_guess" "collector"
## ..- attr(*, "class")= chr "col_spec"
Nota: aunque la función se utiliza tal y como está descrito (e incluso en el propio curso de DataCamp ésta sería la respuesta adecuada), he encontrado algún tipo de problema al emplear type_convert(), de forma que no reconoce los nombres de las columnas.
2.2. Transformando columnas de texto en factores
Una de las características de las funciones de importación de datos de la librería readr es que no interpretan, de manera automática, las columnas que poseen cadenas de texto como factores. No obstante, en ocasiones nos puede interesar que la clase de algunas columnas sea factor.
En estas situaciones, podemos utilizar la función parse_factor() sobre las columnas del objeto recién importado que buscamos sean factores, especificando, si queremos, los niveles que adoptan.
?parse_factor
Ilustremos su uso mediante un ejemplo. En el objeto salaries, que generamos en el capítulo anterior, la primera columna, X1, contiene el tipo de profesor universitario; mientras que la segunda, X5, hace referencia al sexo de la persona. Transformemos ambas en factores.
salaries$X1 <- parse_factor(salaries$X1,
levels = c("Prof", "AsstProf", "AssocProf"))
salaries$X5 <- parse_factor(salaries$X5,
levels = c("Male", "Female"))
head(salaries)
## # A tibble: 6 × 3
## X1 X5 X6
## <fctr> <fctr> <int>
## 1 Prof Male 139750
## 2 Prof Male 173200
## 3 AsstProf Male 79750
## 4 Prof Male 115000
## 5 Prof Male 141500
## 6 AssocProf Male 97000
str(salaries)
## Classes 'tbl_df', 'tbl' and 'data.frame': 397 obs. of 3 variables:
## $ X1: Factor w/ 3 levels "Prof","AsstProf",..: 1 1 2 1 1 3 1 1 1 1 ...
## $ X5: Factor w/ 2 levels "Male","Female": 1 1 1 1 1 1 1 1 1 2 ...
## $ X6: int 139750 173200 79750 115000 141500 97000 175000 147765 119250 129000 ...
## - attr(*, "spec")=List of 2
## ..$ cols :List of 6
## .. ..$ X1: list()
## .. .. ..- attr(*, "class")= chr "collector_character" "collector"
## .. ..$ X2: list()
## .. .. ..- attr(*, "class")= chr "collector_skip" "collector"
## .. ..$ X3: list()
## .. .. ..- attr(*, "class")= chr "collector_skip" "collector"
## .. ..$ X4: list()
## .. .. ..- attr(*, "class")= chr "collector_skip" "collector"
## .. ..$ X5: list()
## .. .. ..- attr(*, "class")= chr "collector_character" "collector"
## .. ..$ X6: list()
## .. .. ..- attr(*, "class")= chr "collector_integer" "collector"
## ..$ default: list()
## .. ..- attr(*, "class")= chr "collector_guess" "collector"
## ..- attr(*, "class")= chr "col_spec"
2.3. Trabajando con fechas
Si una de las columnas del archivo de datos viene dada en la forma YYYY-MM-DD, las funciones de importación de la librería readr la interpretarán automáticamente como de tipo Date (fecha).
No obstante, si en la tabla están presentes algunos valores que son fechas y no se ajustan a la estructura comentada arriba, a través de la función parse_date() (y su argumento format) podemos lidiar con esta situación.
?parse_date
Consideremos el siguiente ejemplo: en el archivo weather.csv, donde se recogen distintos indicadores relacionados con el clima, la columna date contiene la fecha en el formato “mes/día/año”. Con esta información, procedamos a transformar la clase de la columna de manera oportuna.
weather <- read_csv("datasets/weather.csv")
## Parsed with column specification:
## cols(
## origin = col_character(),
## date = col_character(),
## hour = col_integer(),
## temp = col_double(),
## dewp = col_double(),
## humid = col_double(),
## wind_dir = col_integer(),
## wind_speed = col_double(),
## wind_gust = col_double(),
## precip = col_double(),
## pressure = col_double(),
## visib = col_double()
## )
head(weather)
## # A tibble: 6 × 12
## origin date hour temp dewp humid wind_dir wind_speed wind_gust
## <chr> <chr> <int> <dbl> <dbl> <dbl> <int> <dbl> <dbl>
## 1 EWR 12/22/2013 9 64.94 60.98 87.00 190 13.80936 15.891535
## 2 EWR 7/23/2013 6 77.00 75.20 94.19 140 4.60312 5.297178
## 3 EWR 10/30/2013 11 44.96 35.96 70.52 0 0.00000 0.000000
## 4 EWR 12/25/2013 21 28.04 6.08 38.69 250 3.45234 3.972884
## 5 EWR 6/18/2013 9 66.02 62.06 87.05 10 5.75390 6.621473
## 6 EWR 5/5/2013 15 57.92 37.04 45.58 NA 4.60312 5.297178
## # ... with 3 more variables: precip <dbl>, pressure <dbl>, visib <dbl>
str(weather)
## Classes 'tbl_df', 'tbl' and 'data.frame': 500 obs. of 12 variables:
## $ origin : chr "EWR" "EWR" "EWR" "EWR" ...
## $ date : chr "12/22/2013" "7/23/2013" "10/30/2013" "12/25/2013" ...
## $ hour : int 9 6 11 21 9 15 11 11 15 20 ...
## $ temp : num 64.9 77 45 28 66 ...
## $ dewp : num 60.98 75.2 35.96 6.08 62.06 ...
## $ humid : num 87 94.2 70.5 38.7 87 ...
## $ wind_dir : int 190 140 0 250 10 NA 310 0 350 290 ...
## $ wind_speed: num 13.81 4.6 0 3.45 5.75 ...
## $ wind_gust : num 15.89 5.3 0 3.97 6.62 ...
## $ precip : num 0.01 0.01 0 0 0 0 0 0 0 0 ...
## $ pressure : num 1010 NA 1026 1033 1012 ...
## $ visib : num 10 4 10 10 10 10 10 0.25 10 10 ...
## - attr(*, "spec")=List of 2
## ..$ cols :List of 12
## .. ..$ origin : list()
## .. .. ..- attr(*, "class")= chr "collector_character" "collector"
## .. ..$ date : list()
## .. .. ..- attr(*, "class")= chr "collector_character" "collector"
## .. ..$ hour : list()
## .. .. ..- attr(*, "class")= chr "collector_integer" "collector"
## .. ..$ temp : list()
## .. .. ..- attr(*, "class")= chr "collector_double" "collector"
## .. ..$ dewp : list()
## .. .. ..- attr(*, "class")= chr "collector_double" "collector"
## .. ..$ humid : list()
## .. .. ..- attr(*, "class")= chr "collector_double" "collector"
## .. ..$ wind_dir : list()
## .. .. ..- attr(*, "class")= chr "collector_integer" "collector"
## .. ..$ wind_speed: list()
## .. .. ..- attr(*, "class")= chr "collector_double" "collector"
## .. ..$ wind_gust : list()
## .. .. ..- attr(*, "class")= chr "collector_double" "collector"
## .. ..$ precip : list()
## .. .. ..- attr(*, "class")= chr "collector_double" "collector"
## .. ..$ pressure : list()
## .. .. ..- attr(*, "class")= chr "collector_double" "collector"
## .. ..$ visib : list()
## .. .. ..- attr(*, "class")= chr "collector_double" "collector"
## ..$ default: list()
## .. ..- attr(*, "class")= chr "collector_guess" "collector"
## ..- attr(*, "class")= chr "col_spec"
weather$date <- parse_date(weather$date,
format = "%m/%d/%Y")
head(weather)
## # A tibble: 6 × 12
## origin date hour temp dewp humid wind_dir wind_speed wind_gust
## <chr> <date> <int> <dbl> <dbl> <dbl> <int> <dbl> <dbl>
## 1 EWR 2013-12-22 9 64.94 60.98 87.00 190 13.80936 15.891535
## 2 EWR 2013-07-23 6 77.00 75.20 94.19 140 4.60312 5.297178
## 3 EWR 2013-10-30 11 44.96 35.96 70.52 0 0.00000 0.000000
## 4 EWR 2013-12-25 21 28.04 6.08 38.69 250 3.45234 3.972884
## 5 EWR 2013-06-18 9 66.02 62.06 87.05 10 5.75390 6.621473
## 6 EWR 2013-05-05 15 57.92 37.04 45.58 NA 4.60312 5.297178
## # ... with 3 more variables: precip <dbl>, pressure <dbl>, visib <dbl>
str(weather)
## Classes 'tbl_df', 'tbl' and 'data.frame': 500 obs. of 12 variables:
## $ origin : chr "EWR" "EWR" "EWR" "EWR" ...
## $ date : Date, format: "2013-12-22" "2013-07-23" ...
## $ hour : int 9 6 11 21 9 15 11 11 15 20 ...
## $ temp : num 64.9 77 45 28 66 ...
## $ dewp : num 60.98 75.2 35.96 6.08 62.06 ...
## $ humid : num 87 94.2 70.5 38.7 87 ...
## $ wind_dir : int 190 140 0 250 10 NA 310 0 350 290 ...
## $ wind_speed: num 13.81 4.6 0 3.45 5.75 ...
## $ wind_gust : num 15.89 5.3 0 3.97 6.62 ...
## $ precip : num 0.01 0.01 0 0 0 0 0 0 0 0 ...
## $ pressure : num 1010 NA 1026 1033 1012 ...
## $ visib : num 10 4 10 10 10 10 10 0.25 10 10 ...
## - attr(*, "spec")=List of 2
## ..$ cols :List of 12
## .. ..$ origin : list()
## .. .. ..- attr(*, "class")= chr "collector_character" "collector"
## .. ..$ date : list()
## .. .. ..- attr(*, "class")= chr "collector_character" "collector"
## .. ..$ hour : list()
## .. .. ..- attr(*, "class")= chr "collector_integer" "collector"
## .. ..$ temp : list()
## .. .. ..- attr(*, "class")= chr "collector_double" "collector"
## .. ..$ dewp : list()
## .. .. ..- attr(*, "class")= chr "collector_double" "collector"
## .. ..$ humid : list()
## .. .. ..- attr(*, "class")= chr "collector_double" "collector"
## .. ..$ wind_dir : list()
## .. .. ..- attr(*, "class")= chr "collector_integer" "collector"
## .. ..$ wind_speed: list()
## .. .. ..- attr(*, "class")= chr "collector_double" "collector"
## .. ..$ wind_gust : list()
## .. .. ..- attr(*, "class")= chr "collector_double" "collector"
## .. ..$ precip : list()
## .. .. ..- attr(*, "class")= chr "collector_double" "collector"
## .. ..$ pressure : list()
## .. .. ..- attr(*, "class")= chr "collector_double" "collector"
## .. ..$ visib : list()
## .. .. ..- attr(*, "class")= chr "collector_double" "collector"
## ..$ default: list()
## .. ..- attr(*, "class")= chr "collector_guess" "collector"
## ..- attr(*, "class")= chr "col_spec"
2.4. Trabajando con números
Es posible que la tabla que deseamos importar contenga, entre sus valores, expresiones numéricas asociadas cantidades monetarias, de manera que incluyan caracteres no numéricos (como el símbolo de la moneda o diversos separadores de millares, por ejemplo).
En estos casos, la función a utilizar, de la librería readr, es parse_number(), que omite los mencionados caracteres no numéricos presentes en los valores de una columna.
?parse_number
En el archivo debt.csv tenemos datos relacionados con la deuda nacional de Estados Unidos para ciertos años. Importemos el archivo y examinemos su contenido.
debt <- read_csv("datasets/national_debt.csv")
## Parsed with column specification:
## cols(
## V1 = col_character(),
## V2 = col_character()
## )
head(debt)
## # A tibble: 6 × 2
## V1 V2
## <chr> <chr>
## 1 9/30/15 $18,150,617,666,484.30
## 2 9/30/14 $17,824,071,380,733.80
## 3 9/30/13 $16,738,183,526,697.30
## 4 9/30/12 $16,066,241,407,385.80
## 5 9/30/11 $14,790,340,328,557.10
## 6 9/30/10 $13,561,623,030,891.70
str(debt)
## Classes 'tbl_df', 'tbl' and 'data.frame': 16 obs. of 2 variables:
## $ V1: chr "9/30/15" "9/30/14" "9/30/13" "9/30/12" ...
## $ V2: chr "$18,150,617,666,484.30" "$17,824,071,380,733.80" "$16,738,183,526,697.30" "$16,066,241,407,385.80" ...
## - attr(*, "spec")=List of 2
## ..$ cols :List of 2
## .. ..$ V1: list()
## .. .. ..- attr(*, "class")= chr "collector_character" "collector"
## .. ..$ V2: list()
## .. .. ..- attr(*, "class")= chr "collector_character" "collector"
## ..$ default: list()
## .. ..- attr(*, "class")= chr "collector_guess" "collector"
## ..- attr(*, "class")= chr "col_spec"
Apliquemos ahora la función parse_number() a la segunda columna de la tabla.
debt$V2 <- parse_number(debt$V2)
head(debt)
## # A tibble: 6 × 2
## V1 V2
## <chr> <dbl>
## 1 9/30/15 1.815062e+13
## 2 9/30/14 1.782407e+13
## 3 9/30/13 1.673818e+13
## 4 9/30/12 1.606624e+13
## 5 9/30/11 1.479034e+13
## 6 9/30/10 1.356162e+13
str(debt)
## Classes 'tbl_df', 'tbl' and 'data.frame': 16 obs. of 2 variables:
## $ V1: chr "9/30/15" "9/30/14" "9/30/13" "9/30/12" ...
## $ V2: num 1.82e+13 1.78e+13 1.67e+13 1.61e+13 1.48e+13 ...
## - attr(*, "spec")=List of 2
## ..$ cols :List of 2
## .. ..$ V1: list()
## .. .. ..- attr(*, "class")= chr "collector_character" "collector"
## .. ..$ V2: list()
## .. .. ..- attr(*, "class")= chr "collector_character" "collector"
## ..$ default: list()
## .. ..- attr(*, "class")= chr "collector_guess" "collector"
## ..- attr(*, "class")= chr "col_spec"
2.5. Accediendo a los metadatos de un archivo
En ocasiones, puede resultar de utilidad tener una idea previa de cómo las funciones de la librería readr van a interpretar las columnas de un conjunto de datos antes de importarlo. De esta forma, en el caso de que las clases inferidas no sean las adecuadas, podemos optar por declarar el tipo de alguna de ellas con antelación.
Con tal fin existen las funciones spec_csv() y spec_tsv(), para los archivos separados por comas y por tabulaciones, respectivamente. En el caso de tener que trabajar con otro tipo de ficheros (por ejemplo, .csv en formato europeo), usaremos spec_delim(), especificando el símbolo que hace las veces de separador de columnas en el archivo de datos.
?spec_csv
Por ejemplo, retomemos el primer ejemplo de este documento, aquel que trabajaba con el archivo chickwts.csv, que contenía información relativa al peso y tipo de alimentación de ciertos pollos. Veamos cuáles serían las clases que la función read_csv() inferiría para sus columnas a la hora de importarlo.
spec_csv("datasets/chickwts.csv")
## Parsed with column specification:
## cols(
## weight = col_integer(),
## feed = col_character()
## )
## cols(
## weight = col_integer(),
## feed = col_character()
## )
