Lectura de Archivos en Formato Tabular
En este apartado, veremos como importar archivos de texto y Excel a R con el paquete readr, el cual es parte del ecosistema tidyverse:
library(tidyverse)
Lectura de Archivos de Texto con readr
La mayoría de las funciones del paquete readr están destinadas a convertir archivos en formato tabular en dataframes:
*read_csv() lee archivos en que las columnas están separadas por comas,read_csv2() lee archivos separados por punto y coma (comunes en países donde , es usada para separar los decimales en los números),
read_tsv() lee archivos separados por tabuladores, y read_delim() lee archivos separados por cualquier otro tipo de delimitador.
*read_fwf() lee archivos con un ancho fijo. Podemos especificar los campos o por su ancho con fwf_widths() o su posición mediante fwf_positions().
read_table() lee un tipo de variación de archivos con un ancho fijo donde las columnas están separadas por espacios en blanco.
Estas funciones comparten la misma sintaxis: una vez hemos dominada una, podemos hacer uso de las otras funciones sin dificultad. Para el resto de este capítulo nos centraremos en read_csv. No sólo porque los archivos csv son una de las formas mas comunes de almacenamiento de datos, sino también porque una vez entendamos read_csv(), podremos con facilidad aplicar nuestros conocimientos al resto de las otras funciones del paquete readr.
El primer argumento en read_csv() es el mas importante, puesto que se trata de la localización del archivo que deseamos importar:
df <- read_csv("data/Water_Right_Applications.csv")
## Parsed with column specification:
## cols(
## .default = col_character(),
## WR_DOC_ID = col_integer(),
## YEAR_APPLIED = col_integer(),
## CFS = col_double(),
## GPM = col_double(),
## DOMESTIC_UNITS = col_integer(),
## ACRE_FEET = col_double(),
## ACRE_IRR = col_double(),
## WRIA_NUMBER = col_integer(),
## Latitude1 = col_double(),
## Longitude1 = col_double()
## )
## See spec(...) for full column specifications.
Observemos que cuando ejecutamos la función read_csv muestra por la consola información relativa al nombre y tipo de cada columna. Esto es una característica muy útil en readr.
Podemos pasar un archivo csv en una sola línea de código. Esto es útil para experimentar con readr y para crear ejemplos reproducibles que podemos compartir con otros:
read_csv("a,b,c
1,2,3
4,5,6")
## # A tibble: 2 x 3
## a b c
## <int> <int> <int>
## 1 1 2 3
## 2 4 5 6
En ambos casos read_csv() usa la primera línea como nombre de las columnas, lo que es una convención generalizada. Existen dos situaciones en las que estaríamos interesados en modificar este comportamiento:
- En ocasiones existen unas pocas líneas de metadatos en la cabecera del archivo. Podemos hacer uso de
skip=npara descartar lasnprimeras lineas; o usarcomment = "#"para eliminar todas las líneas que empiezan con#.
read_csv("La primera linea de metadatos
La segunda linea de metadatos
x,y,z
1,2,3",
skip = 2)
## # A tibble: 1 x 3
## x y z
## <int> <int> <int>
## 1 1 2 3
read_csv("# Un comentario que deseamos eliminar
x,y,z
1,2,3", comment = "#")
## # A tibble: 1 x 3
## x y z
## <int> <int> <int>
## 1 1 2 3
- Los datos podrían no contener columnas con nombres. En esta situación podemos hacer uso del argumento
col_names=FALSEpara indicar aread_csv()que no trate la primera linea como cabecera, y en lugar etiquete secuencialmente deX1aXn:
read_csv("1,2,3\n4,5,6", col_names = FALSE)
## # A tibble: 2 x 3
## X1 X2 X3
## <int> <int> <int>
## 1 1 2 3
## 2 4 5 6
Nota que hemos usado "\n" para añadir una nueva linea.
Alternativamente, podemos pasar a col_names un vector de caracteres que serà usado para los nombres de las columnas:
read_csv("1,2,3\n4,5,6", col_names = c("x", "y", "z"))
## # A tibble: 2 x 3
## x y z
## <int> <int> <int>
## 1 1 2 3
## 2 4 5 6
Otro argumento de gran utilidad es na, que especifica el valor (o valores) que son usados para representar los valores desconocidos en nuestro archivo:
read_csv("a,b,c\n1,2,#N/A", na = "#N/A")
## # A tibble: 1 x 3
## a b c
## <int> <int> <chr>
## 1 1 2 <NA>
Esto es todo lo que necesitamos saber para importar ~75% de archivos csv que nos encontraremos en la práctica. Además, podemos fácilmente adaptar lo que hemos aprendido en esta sección para leer archivos separados por tabuladores con read_tsv() y archivos con un ancho fijo con read_fwf().
Por otro lado, cabe mencionar que readr proporciona un conjunto de funciones para realizar la tarea inversa, es decir disponemos de un grupo de funciones que nos permiten escribir nuestros datos a archivos.
Escribiremos un objeto x a una ruta específica por medio del argumento path como:
Archivos CSV
write_csv(x, path, na = "NA", append = FALSE, col_names = !append)
Archivos con Delimitadores Arbitrarios
write_delim(x, path, delim = "", na = "NA", append = FALSE, col_names = !append)
CSV para Excel
write_excel_csv(x, path, na = "NA", append = FALSE, col_names = !append)
Archivos Delimitados por Tabuladores
write_tsv(x, path, na = "NA", append = FALSE, col_names = !append)
Lectura Archivos Excel con readxl
El paquete readxl facilita la importación de archivos Excel en R. Comparado con la mayoría de paquetes existentes (e.g. gdata, xlsx, xlsReadWrite) readxl no requiere de dependencias externas, por lo tanto es más fácil de instalar y usar en los sistemas operativos. Como en los apartados anteriores es usado para el trabajo de datos en formato tabular. Este paquete forma parte de la colección de paquetes del ecosistema tidyverse que comparten la misma filosofía y están diseñados para trabajar de forma conjunta.
Instalación
El modo más fácil de instalar la última versión desde CRAN es instalar el conjunto de paquetes tidyverse.
install.packages("tidyverse")
Alternativamente, podemos instalar solo readxl desde CRAN mediante la siguiente línea de código:
install.packages("readxl")
O instalar la versión en desarrollo desde GitHub:
# install.packages('devtools')
devtools::install_github("tidyverse/readxl")
NOTA: Para esta última forma debemos tener instalado el paquete devtools.
Uso del paquete readxl
En primer lugar tendremos que cargarlo:
# Cargamos el paquete
library(readxl)
La función read_excel() nos permite leer los archivos tanto si son xls o xlsx :
hoja_calculo_xlsx <- read_excel("data/datasets.xlsx", n_max = 6)
hoja_calculo_xlsx
## # A tibble: 6 x 5
## Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## <dbl> <dbl> <dbl> <dbl> <chr>
## 1 5.1 3.5 1.4 0.2 setosa
## 2 4.9 3.0 1.4 0.2 setosa
## 3 4.7 3.2 1.3 0.2 setosa
## 4 4.6 3.1 1.5 0.2 setosa
## 5 5.0 3.6 1.4 0.2 setosa
## 6 5.4 3.9 1.7 0.4 setosa
Observemos que en el siguiente ejemplo a pesar que la extensión del archivo es xls utilizamos la misma función que en el caso anterior:
hoja_calculo_xls <- read_excel("data/datasets.xls", n_max = 8)
# Mostramos la hoja de calculo
hoja_calculo_xls
## # A tibble: 8 x 5
## Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## <dbl> <dbl> <dbl> <dbl> <chr>
## 1 5.1 3.5 1.4 0.2 setosa
## 2 4.9 3.0 1.4 0.2 setosa
## 3 4.7 3.2 1.3 0.2 setosa
## 4 4.6 3.1 1.5 0.2 setosa
## 5 5.0 3.6 1.4 0.2 setosa
## 6 5.4 3.9 1.7 0.4 setosa
## 7 4.6 3.4 1.4 0.3 setosa
## 8 5.0 3.4 1.5 0.2 setosa
Podemos obtener los nombres de las hojas en el libro con la ayuda de la función excel_sheets():
excel_sheets("data/datasets.xls")
## [1] "iris" "mtcars" "chickwts" "quakes"
Es posible seleccionar una hoja de cálculo mediante su nombre o por la posición que ocupa en el libro:
read_excel(path = "data/datasets.xls", sheet = "iris", n_max = 8)
read_excel(path = "data/datasets.xlsx", sheet = 1, n_max = 8)
## # A tibble: 8 x 5
## Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## <dbl> <dbl> <dbl> <dbl> <chr>
## 1 5.1 3.5 1.4 0.2 setosa
## 2 4.9 3.0 1.4 0.2 setosa
## 3 4.7 3.2 1.3 0.2 setosa
## 4 4.6 3.1 1.5 0.2 setosa
## 5 5.0 3.6 1.4 0.2 setosa
## 6 5.4 3.9 1.7 0.4 setosa
## 7 4.6 3.4 1.4 0.3 setosa
## 8 5.0 3.4 1.5 0.2 setosa
El argumento range de la función read_excel nos permite seleccionar un rango de filas y columnas con la misma nomenclatura que utilizamos en Excel:
read_excel(path = "data/datasets.xls", range = "C1:E4")
## # A tibble: 3 x 3
## Petal.Length Petal.Width Species
## <dbl> <dbl> <chr>
## 1 1.4 0.2 setosa
## 2 1.4 0.2 setosa
## 3 1.3 0.2 setosa
Además, podemos especificar la hoja del libro de la cual queremos extraer un rango y con el símbolo lógico de negación ! excluir celdas y columnas en nuestra selección:
read_excel(path = "data/datasets.xls", range = "iris!B1:D5")
## # A tibble: 4 x 3
## Sepal.Width Petal.Length Petal.Width
## <dbl> <dbl> <dbl>
## 1 3.5 1.4 0.2
## 2 3.0 1.4 0.2
## 3 3.2 1.3 0.2
## 4 3.1 1.5 0.2
Por defecto, la función read_excel trata los campos vacíos como valores desconocidos NA. En caso contrario, debemos especificarlo en el argumento na:
read_excel(path = "data/datasets.xls", na = "setosa", n_max = 8)
## # A tibble: 8 x 5
## Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## <dbl> <dbl> <dbl> <dbl> <lgl>
## 1 5.1 3.5 1.4 0.2 NA
## 2 4.9 3.0 1.4 0.2 NA
## 3 4.7 3.2 1.3 0.2 NA
## 4 4.6 3.1 1.5 0.2 NA
## 5 5.0 3.6 1.4 0.2 NA
## 6 5.4 3.9 1.7 0.4 NA
## 7 4.6 3.4 1.4 0.3 NA
## 8 5.0 3.4 1.5 0.2 NA