Чтение CSV-файлов в R (read.csv и read_csv)

read.csv() превращает CSV-файл в датафрейм

Чтение CSV в R — это один вызов функции, встроенной в язык, без всяких пакетов:

sales <- read.csv("sales.csv")

read.csv() читает файл, использует первую строку как имена столбцов, угадывает тип каждого столбца и возвращает датафрейм. Для благополучного файла это вся история.

Понаблюдать за её работой можно вообще без файла, потому что read.csv() принимает также сырой CSV-текст через аргумент text — тот же парсер, которому подали строку вместо имени файла:

csv_text <- "name,score,passed
Ada,92,TRUE
Grace,88,TRUE
Linus,54,FALSE"

students <- read.csv(text = csv_text)
print(students)
str(students)

str() — первое, что стоит запускать на всём импортированном: она показывает каждый столбец с угаданным типом. Здесь name пришёл как character, score как integer, passed как logical — всё угадано по значениям. Для быстрой визуальной проверки head(students) показывает первые строки, а nrow(students) их считает. Если столбец, который вы ожидали числовым, оказался chr, значит, что-то в этом столбце не является числом — затесавшийся комментарий, "N/A", разделитель тысяч, — и чинить это надо именно сейчас, а не через три графика.

Аргументы, которые имеют значение

У read.csv() десятки параметров; вы будете использовать примерно пять.

header — содержит ли первая строка имена столбцов. По умолчанию TRUE. Если ваш файл начинается сразу с данных, передайте header = FALSE, и R назовёт столбцы V1, V2, ...

sep — разделитель полей, по умолчанию ",". Большая часть Европы пишет CSV с точками с запятой в качестве разделителей, потому что запятая там — десятичный знак. R поставляет преднастроенный вариант ровно для этого: read.csv2() использует sep = ";" и dec = ",":

raw <- "name;height
Ada;1,63
Grace;1,70"

df <- read.csv2(text = raw)
print(df)
print(class(df$height))

Значения роста получились нормальными числами — read.csv2 знала, что 1,63 означает одна целая шестьдесят три сотых. Если бы вы применили к этому файлу обычную read.csv, вы получили бы один искорёженный столбец, потому что ничто не разделит корректно по запятой, которая является десятичным знаком.

na.strings — какие строки считаются пропусками. По умолчанию только "NA" становится пропущенным значением. Реальные выгрузки записывают пропуски как пустые ячейки, "missing", "-", "NULL" — и пока вы их не объявите, они приходят текстом и утаскивают весь столбец в character:

raw <- "id,score
1,10
2,
3,missing"

df <- read.csv(text = raw, na.strings = c("", "missing"))
print(df)
print(is.na(df$score))

С правильным na.strings пустые значения становятся настоящими NA, а score остаётся числовым. Без него "missing" — просто слово, и столбец текстовый.

skip — сколько строк проигнорировать до начала данных. Выгрузки обожают ставить строку-другую заголовка над самой таблицей; skip = 2 их перескакивает.

colClasses — задать типы столбцов вместо угадывания. Классическая жертва — всё с ведущими нулями: почтовые индексы, номера телефонов, идентификаторы товаров, — которые угадыватель R читает как числа, уничтожая нули:

raw <- "id,zip
1,00501
2,02115"

wrong <- read.csv(text = raw)
print(wrong$zip)

right <- read.csv(text = raw, colClasses = c("integer", "character"))
print(right$zip)

00501 превратился в 501. Данные были верны в файле и молча неверны в R. colClasses = c("integer", "character") сообщает парсеру, чем является каждый столбец, по порядку, и нули выживают.

Один аргумент, который больше не нужен, — stringsAsFactors. Большую часть истории R read.csv() превращала каждый текстовый столбец в фактор, если не сказать иначе, что вызывало колоссальную путаницу. Начиная с R 4.0 по умолчанию стоит FALSE — текст остаётся текстом. Вы всё ещё будете встречать stringsAsFactors = FALSE в старых учебниках; на современном R это безвредно, но избыточно.

Пути к файлам: причина сбоев read.csv номер один

Ошибка, с которой каждый изучающий R сталкивается на первой неделе:

Error in file(file, "rt") : cannot open the connection
In addition: Warning message:
cannot open file 'sales.csv': No such file or directory

Файл существует — вы смотрите на него в файловом менеджере. Но R смотрит не туда. Голое имя файла вроде "sales.csv" разрешается относительно рабочего каталога R, а тот обычно не является папкой с вашим файлом. Две строки ставят диагноз:

getwd()                    # where R is actually looking
file.exists("sales.csv")   # FALSE means the path is wrong, full stop

Если file.exists() говорит FALSE, никакие перезапуски не помогут — чините путь. Либо укажите полный путь (read.csv("C:/Users/ada/data/sales.csv") — прямые слеши работают и на Windows и безопаснее обратных), либо переместите рабочий каталог R в папку с данными через setwd(). Что такое рабочий каталог, как им управляют проекты и почему setwd() в скриптах не приветствуется, разобрано в статье про рабочий каталог.

Доведите file.exists() до рефлекса. Она за секунду превращает «загадочный сбой импорта» в «опечатку в пути».

Чтение CSV прямо по URL

read.csv() принимает URL везде, где принимает имя файла, и скачивает файл за вас:

url <- "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv"
penguins <- read.csv(url)
str(penguins)

Это удобно для учебных материалов и публичных наборов данных — без шага скачивания и без проблем с путями. Плата в том, что ваш скрипт теперь зависит от сети и от того, что URL останется живым; для всего, что вы будете часто перезапускать, скачайте один раз и читайте локальную копию.

readr::read_csv — более быстрая и разговорчивая альтернатива

Tidyverse поставляет собственный ридер CSV в пакете readr: read_csv() (с подчёркиванием, а не с точкой). Её стоит знать, потому что большая часть современного кода на R, который вы прочтёте, использует именно её:

install.packages("readr")   # once
library(readr)              # every session

flights <- read_csv("flights.csv")

Практические отличия от read.csv():

• Скорость — заметно быстрее на файлах в сотни тысяч строк.
• Она возвращает тиббл — модернизированный датафрейм, который печатает компактный предпросмотр вместо заливания консоли.
• Она сообщает о своих догадках — после чтения печатает определённый тип каждого столбца, так что столбец, разобранный как character там, где вы ждали числа, виден сразу, а не становится сюрпризом позже.
• Она никогда не коверкает имена столбцов — read.csv() переписывает заголовок вроде first name в first.name; read_csv() оставляет его как есть.

Для маленького файла подойдёт любая функция. Берите read_csv(), когда файлы становятся большими или когда остальная часть вашего скрипта и так на tidyverse. Всё сказанное выше про пути, разделители (read_csv2() тоже существует) и строки пропусков (na =) переносится сюда с немного другими именами аргументов.

Когда анализ закончен, обратный путь — экспорт результатов в файл — это write.csv.

Что вы уносите с собой

• df <- read.csv("file.csv") читает CSV в датафрейм; сразу проверяйте его через str() и head().
• read.csv(text = "...") разбирает строку CSV напрямую — отлично для экспериментов и небольших примеров.
• Аргументы, которые окупаются: header, sep (или read.csv2 для точек с запятой), na.strings, skip, colClasses.
• «Cannot open file» означает, что рабочий каталог не там, где вы думаете, — getwd() и file.exists() решают вопрос мгновенно.
• readr::read_csv() — более быстрая версия из tidyverse: тибблы, сообщаемые типы столбцов, нетронутые имена.

Дальше: файлы, которые вовсе не являются простым текстом, — чтение таблиц Excel с помощью пакета readxl.