Capítulo 5 Importación de datos
No siempre todos los datos con los que queremos trabajar vienen dentro de un paquete de R. De hecho, la mayoría de veces vamos a querer trabajar con un archivo de datos que está en nuestra computadora. Pueden ser datos que hemos recolectado por nuestra cuenta o que hemos descargado de alguna fuente en internet.
Estos archivos pueden encontrarse en diferentes formatos, siendo uno de los más populares el de Ms Excel. Otros tipos de archivos que quizás conozcas pueden ser SPSS o Stata.
Los ejemplos asumen que tienes tus datos dentro de una carpeta llamada “data” en tu proyecto.
La data a importar en la práctica se encuentra en una carpeta de Google Drive para su descarga. No olvides ubicar todos los archivos descargados dentro de la carpeta “data” de tu proyecto.
Ahora deberías contar con todos estos archivos en tu carpeta “data”.
| archivos |
|---|
| 09_UNIVERSIDADES_CARATULA.SAV |
| gapminder_comas.csv |
| gapminder_comas2.txt |
| gapminder_excel.xlsx |
| gapminder_excel_col_names.xlsx |
| gapminder_excel_sheet.xlsx |
| gapminder_excel_skip.xlsx |
| gapminder_guiones.txt |
| gapminder_michi.txt |
| gapminder_slash.txt |
| gapminder_tabs.tsv |
En la carpeta “data” contamos con cinco tipos de archivos:
- *.txt: Texto separado por un delimitador arbitrario.
- *.tsv: Texto separado por tabulaciones
- *.csv: Texto separado por comas
- *.xlsx: Archivo de Excel
- *.SAV: Archivo de SPSS
5.1 Paquetes necesarios
Existen paquetes especializados para cada tipo de datos que deseamos descargar. En esta oportunidad, aprenderemos a usar los siguientes.
-
readr: Para archivos de texto -
readxl: Para archivos de Excel -
haven: Para archivos de SPSS y Stata
Todos estos paquetes se descagaron cuando instalaste tidyverse.
Una característica común de todos los paquetes presentados es que al leer los datos en R, se crean como tibbles, un formato de trabajo para datos tabulares que existe sólo en R. Además de ello, sus funciones comparten elementos en su interfaz (API), lo que permite trabajar con distintos tipos de datos realizando cambios mínimos.
5.2 Importación de archivos de texto
5.2.1 Cargar readr
Para acceder a las funciones de un paquete, siempre debemos primero cargarlo haciendo uso de library().
Alternativamente, podemos cargarlo junto a toda la colección de paquetes del tidyverse.
library(tidyverse)
#> -- Attaching packages ------------------- tidyverse 1.3.1 --
#> v ggplot2 3.3.5 v purrr 0.3.4
#> v tibble 3.1.6 v dplyr 1.0.8
#> v tidyr 1.2.0 v stringr 1.4.0
#> v readr 2.1.2 v forcats 0.5.1
#> -- Conflicts ---------------------- tidyverse_conflicts() --
#> x dplyr::filter() masks stats::filter()
#> x dplyr::lag() masks stats::lag()La función que nutre el núcleo de readr es read_delim(). Nos permitirá leer prácticamente todo tipo de archivos de texto siempre y cuando le indiquemos el tipo de delimitador.
Exploremos los archivos de texto en nuestra carpeta “data”.
5.2.2 Leer datos csv
Los archivos de valores separados por comas (Comma Separated Values) son de los más utilizados en el mundo del análisis de datos debido a que prácticamente cualquier software puede reconocerlos.
Son archivos de texto que representan datos tabulares en los que los valores de cada columna están separados por comas.
Para leer estos archivos, usamos la función read_csv() del paquete readr.
read_csv("data/gapminder_comas.csv")
#> Rows: 1704 Columns: 6
#> -- Column specification ------------------------------------
#> Delimiter: ","
#> chr (2): country, continent
#> dbl (4): year, lifeExp, pop, gdpPercap
#>
#> i Use `spec()` to retrieve the full column specification for this data.
#> i Specify the column types or set `show_col_types = FALSE` to quiet this message.
#> # A tibble: 1,704 x 6
#> country continent year lifeExp pop gdpPercap
#> <chr> <chr> <dbl> <dbl> <dbl> <dbl>
#> 1 Afghanistan Asia 1952 28.8 8425333 779.
#> 2 Afghanistan Asia 1957 30.3 9240934 821.
#> 3 Afghanistan Asia 1962 32.0 10267083 853.
#> 4 Afghanistan Asia 1967 34.0 11537966 836.
#> 5 Afghanistan Asia 1972 36.1 13079460 740.
#> 6 Afghanistan Asia 1977 38.4 14880372 786.
#> 7 Afghanistan Asia 1982 39.9 12881816 978.
#> 8 Afghanistan Asia 1987 40.8 13867957 852.
#> 9 Afghanistan Asia 1992 41.7 16317921 649.
#> 10 Afghanistan Asia 1997 41.8 22227415 635.
#> # ... with 1,694 more rowsAl ejecutar el código, obtenemos dos tipos de output. El primero nos indica que la lectura asignó a cada columna cierto tipo de datos. Este tipo de output es un simple mensaje (message).
El segundo output nos indica el objeto obtenido (un tibble), con la cantidad de filas y columnas que contiene. Además, nos brinda las diez primeras filas de la información obtenida, y el nombre y tipo de cada columna. Si este conjunto de datos tuviera más columnas, sólo se nos mostraría la cantidad de columnas que alcances en nuestra ventana.
5.2.3 Almacenar datos importados
Si deseamos usar los datos obtenidos para un análisis posterior, como probablemente sea el caso, es necesario almacenar la tabla generada haciendo uso del operador de asignación <-. El nombre indicado aparecerá en nuestro panel “Environment”.
datos_obtenidos_csv <- read_csv("data/gapminder_comas.csv")
#> Rows: 1704 Columns: 6
#> -- Column specification ------------------------------------
#> Delimiter: ","
#> chr (2): country, continent
#> dbl (4): year, lifeExp, pop, gdpPercap
#>
#> i Use `spec()` to retrieve the full column specification for this data.
#> i Specify the column types or set `show_col_types = FALSE` to quiet this message.Vemos que volvemos a obtener el mensaje, pero esta vez no se nos muestran los datos. Esto sucede porque al asignarle un nombre, le hemos indicado a R que queremos acceder a los datos sólo cuando se lo indiquemos explícitamente. Para hacer ello, simplemente tipeamos el nombre que le asignamos al conjunto de datos.
datos_obtenidos_csv
#> # A tibble: 1,704 x 6
#> country continent year lifeExp pop gdpPercap
#> <chr> <chr> <dbl> <dbl> <dbl> <dbl>
#> 1 Afghanistan Asia 1952 28.8 8425333 779.
#> 2 Afghanistan Asia 1957 30.3 9240934 821.
#> 3 Afghanistan Asia 1962 32.0 10267083 853.
#> 4 Afghanistan Asia 1967 34.0 11537966 836.
#> 5 Afghanistan Asia 1972 36.1 13079460 740.
#> 6 Afghanistan Asia 1977 38.4 14880372 786.
#> 7 Afghanistan Asia 1982 39.9 12881816 978.
#> 8 Afghanistan Asia 1987 40.8 13867957 852.
#> 9 Afghanistan Asia 1992 41.7 16317921 649.
#> 10 Afghanistan Asia 1997 41.8 22227415 635.
#> # ... with 1,694 more rowsEn esta ocasión, sí obtenemos la información contenida en el conjunto de datos, pero no el mensaje. Esto sucede porque los mensajes sólo nos muestran información relevante al momento de ejecutar una función, como lo es read_csv().
5.2.4 Leer datos TSV
Otra manera de almacenar datos es usando uso de archivos de valores separados por tabulaciones (Tab Separated Values)
Para leer estos archivos, hacemos uso de la función read_tsv().
datos_obtenidos_tsv <- read_tsv("data/gapminder_tabs.tsv")
#> Rows: 1704 Columns: 6
#> -- Column specification ------------------------------------
#> Delimiter: "\t"
#> chr (2): country, continent
#> dbl (4): year, lifeExp, pop, gdpPercap
#>
#> i Use `spec()` to retrieve the full column specification for this data.
#> i Specify the column types or set `show_col_types = FALSE` to quiet this message.Nuevamente, la función nos comunica mediante un mensaje qué tipo de columnas ha identificado.
Podemos inspeccionar el contenido de este conjunto de datos del mismo modo anterior.
datos_obtenidos_tsv
#> # A tibble: 1,704 x 6
#> country continent year lifeExp pop gdpPercap
#> <chr> <chr> <dbl> <dbl> <dbl> <dbl>
#> 1 Afghanistan Asia 1952 28.8 8425333 779.
#> 2 Afghanistan Asia 1957 30.3 9240934 821.
#> 3 Afghanistan Asia 1962 32.0 10267083 853.
#> 4 Afghanistan Asia 1967 34.0 11537966 836.
#> 5 Afghanistan Asia 1972 36.1 13079460 740.
#> 6 Afghanistan Asia 1977 38.4 14880372 786.
#> 7 Afghanistan Asia 1982 39.9 12881816 978.
#> 8 Afghanistan Asia 1987 40.8 13867957 852.
#> 9 Afghanistan Asia 1992 41.7 16317921 649.
#> 10 Afghanistan Asia 1997 41.8 22227415 635.
#> # ... with 1,694 more rows5.2.5 Leer datos con delimitador arbitrario
Para archivos de texto con cualquier otro tipo de delimitador, usamos la función read_delim(), que además de solicitarnos la ubicación del archivo, nos pide especificar el delimitador que se usó para almacenar los datos.
Por ejemplo, inspeccionemos el archivo “gapminder_comas2.txt”
Vemos que es muy similar a los archivos anteriores, pero en este caso las columnas están separadas por punto y coma.
Para leer este archivo, hacemos uso de read_delim() indicando como separador el caracter adecuado.
datos_obtenidos_punto_y_coma <- read_delim("data/gapminder_comas2.txt", delim = ";")
#> Rows: 1704 Columns: 6
#> -- Column specification ------------------------------------
#> Delimiter: ";"
#> chr (2): country, continent
#> dbl (4): year, lifeExp, pop, gdpPercap
#>
#> i Use `spec()` to retrieve the full column specification for this data.
#> i Specify the column types or set `show_col_types = FALSE` to quiet this message.5.3 Importación de archivos excel
Para poder leer datos de excel, vamos a hacer uso del paquete readxl.
Recuerda que para cargar cualquier paquete, especificas su nombre sin comillas dentro de un llamado a la funcion library().
La función que nos permite leer archivos .xlsx es read_xlsx(). La usamos igual que en los casos anteriores.
gapminder_excel <- read_xlsx("data/gapminder_excel.xlsx")
gapminder_excel
#> # A tibble: 1,704 x 6
#> country continent year lifeExp pop gdpPercap
#> <chr> <chr> <dbl> <dbl> <dbl> <dbl>
#> 1 Afghanistan Asia 1952 28.8 8425333 779.
#> 2 Afghanistan Asia 1957 30.3 9240934 821.
#> 3 Afghanistan Asia 1962 32.0 10267083 853.
#> 4 Afghanistan Asia 1967 34.0 11537966 836.
#> 5 Afghanistan Asia 1972 36.1 13079460 740.
#> 6 Afghanistan Asia 1977 38.4 14880372 786.
#> 7 Afghanistan Asia 1982 39.9 12881816 978.
#> 8 Afghanistan Asia 1987 40.8 13867957 852.
#> 9 Afghanistan Asia 1992 41.7 16317921 649.
#> 10 Afghanistan Asia 1997 41.8 22227415 635.
#> # ... with 1,694 more rowsAlternativamente, podemos usar la función read_excel(), que nos da el mismo resultado.
gapminder_excel2 <- read_excel("data/gapminder_excel.xlsx")
gapminder_excel2
#> # A tibble: 1,704 x 6
#> country continent year lifeExp pop gdpPercap
#> <chr> <chr> <dbl> <dbl> <dbl> <dbl>
#> 1 Afghanistan Asia 1952 28.8 8425333 779.
#> 2 Afghanistan Asia 1957 30.3 9240934 821.
#> 3 Afghanistan Asia 1962 32.0 10267083 853.
#> 4 Afghanistan Asia 1967 34.0 11537966 836.
#> 5 Afghanistan Asia 1972 36.1 13079460 740.
#> 6 Afghanistan Asia 1977 38.4 14880372 786.
#> 7 Afghanistan Asia 1982 39.9 12881816 978.
#> 8 Afghanistan Asia 1987 40.8 13867957 852.
#> 9 Afghanistan Asia 1992 41.7 16317921 649.
#> 10 Afghanistan Asia 1997 41.8 22227415 635.
#> # ... with 1,694 more rows5.4 Importación de archivos SPSS
Para leer archivos SPSS cargamos el paquete haven.
Como la extensión de los archivos es .sav podemos leerlos con la función read_sav().
universidades <- read_sav("data/09_UNIVERSIDADES_CARATULA.SAV")
universidades
#> # A tibble: 122 x 8
#> SELECT UC0DD_CD UC0DD_DPTO UC0PP_CD UC0PP_PROV UC0DI_CD
#> <chr> <chr> <chr> <chr> <chr> <chr>
#> 1 U0001 16 LORETO 01 MAYNAS 13
#> 2 U0002 14 LAMBAYEQUE 03 LAMBAYEQUE 01
#> 3 U0003 15 LIMA 01 LIMA 40
#> 4 U0004 15 LIMA 01 LIMA 13
#> 5 U0005 15 LIMA 01 LIMA 35
#> 6 U0006 15 LIMA 01 LIMA 40
#> 7 U0007 15 LIMA 01 LIMA 21
#> 8 U0008 23 TACNA 01 TACNA 01
#> 9 U0009 10 HUANUCO 01 HUANUCO 01
#> 10 U0010 15 LIMA 01 LIMA 13
#> # ... with 112 more rows, and 2 more variables:
#> # UC0DI_DIST <chr>, UC0P_OBS <chr>Alternativamente, podemos usar la función read_spss(), que nos da el mismo resultado.
universidades2 <- read_spss("data/09_UNIVERSIDADES_CARATULA.SAV")
universidades2
#> # A tibble: 122 x 8
#> SELECT UC0DD_CD UC0DD_DPTO UC0PP_CD UC0PP_PROV UC0DI_CD
#> <chr> <chr> <chr> <chr> <chr> <chr>
#> 1 U0001 16 LORETO 01 MAYNAS 13
#> 2 U0002 14 LAMBAYEQUE 03 LAMBAYEQUE 01
#> 3 U0003 15 LIMA 01 LIMA 40
#> 4 U0004 15 LIMA 01 LIMA 13
#> 5 U0005 15 LIMA 01 LIMA 35
#> 6 U0006 15 LIMA 01 LIMA 40
#> 7 U0007 15 LIMA 01 LIMA 21
#> 8 U0008 23 TACNA 01 TACNA 01
#> 9 U0009 10 HUANUCO 01 HUANUCO 01
#> 10 U0010 15 LIMA 01 LIMA 13
#> # ... with 112 more rows, and 2 more variables:
#> # UC0DI_DIST <chr>, UC0P_OBS <chr>5.5 Lectura de datos con más argumentos
No siempre los datos estarán de antemano en un formato que nos permita leerlos automáticamente. En algunos casos, será necesario especificar argumentos adicionales al momento de leerlos.
Intentar leer los datos de los archivos excel restantes.
5.7 Uso de datos de paquetes instalados
5.7.1 Revisar datos disponibles
Cuando se carga un paquete, el usuario tiene acceso a los set de datos contenidos en él. Podemos obtener un listado de los set de datos contenidos en un paquete usando la función datasets() del paquete vcdExtra. Si no lo tenemos instalado debemos usar el siguiente código en la consola.
install.packages("vcdExtra")Para usar sus funciones usamos:
Por ejemplo, para conocer los conjuntos de datos del paquete ggplot2:
datasets("ggplot2")
#> Item class dim
#> 1 diamonds data.frame 53940x10
#> 2 economics data.frame 574x6
#> 3 economics_long data.frame 2870x4
#> 4 faithfuld data.frame 5625x3
#> 5 luv_colours data.frame 657x4
#> 6 midwest data.frame 437x28
#> 7 mpg data.frame 234x11
#> 8 msleep data.frame 83x11
#> 9 presidential data.frame 11x4
#> 10 seals data.frame 1155x4
#> 11 txhousing data.frame 8602x9
#> Title
#> 1 Prices of over 50,000 round cut diamonds
#> 2 US economic time series
#> 3 US economic time series
#> 4 2d density estimate of Old Faithful data
#> 5 'colors()' in Luv space
#> 6 Midwest demographics
#> 7 Fuel economy data from 1999 to 2008 for 38 popular models of cars
#> 8 An updated and expanded version of the mammals sleep dataset
#> 9 Terms of 11 presidents from Eisenhower to Obama
#> 10 Vector field of seal movements
#> 11 Housing sales in TXSi ya hemos cargado el paquete, basta con llamar al conjunto de datos usando su nombre.
diamonds
#> # A tibble: 53,940 x 10
#> carat cut color clarity depth table price x y
#> <dbl> <ord> <ord> <ord> <dbl> <dbl> <int> <dbl> <dbl>
#> 1 0.23 Ideal E SI2 61.5 55 326 3.95 3.98
#> 2 0.21 Premium E SI1 59.8 61 326 3.89 3.84
#> 3 0.23 Good E VS1 56.9 65 327 4.05 4.07
#> 4 0.29 Premium I VS2 62.4 58 334 4.2 4.23
#> 5 0.31 Good J SI2 63.3 58 335 4.34 4.35
#> 6 0.24 Very G~ J VVS2 62.8 57 336 3.94 3.96
#> 7 0.24 Very G~ I VVS1 62.3 57 336 3.95 3.98
#> 8 0.26 Very G~ H SI1 61.9 55 337 4.07 4.11
#> 9 0.22 Fair E VS2 65.1 61 337 3.87 3.78
#> 10 0.23 Very G~ H VS1 59.4 61 338 4 4.05
#> # ... with 53,930 more rows, and 1 more variable: z <dbl>
economics
#> # A tibble: 574 x 6
#> date pce pop psavert uempmed unemploy
#> <date> <dbl> <dbl> <dbl> <dbl> <dbl>
#> 1 1967-07-01 507. 198712 12.6 4.5 2944
#> 2 1967-08-01 510. 198911 12.6 4.7 2945
#> 3 1967-09-01 516. 199113 11.9 4.6 2958
#> 4 1967-10-01 512. 199311 12.9 4.9 3143
#> 5 1967-11-01 517. 199498 12.8 4.7 3066
#> 6 1967-12-01 525. 199657 11.8 4.8 3018
#> 7 1968-01-01 531. 199808 11.7 5.1 2878
#> 8 1968-02-01 534. 199920 12.3 4.5 3001
#> 9 1968-03-01 544. 200056 11.7 4.1 2877
#> 10 1968-04-01 544 200208 12.3 4.6 2709
#> # ... with 564 more rows
seals
#> # A tibble: 1,155 x 4
#> lat long delta_long delta_lat
#> <dbl> <dbl> <dbl> <dbl>
#> 1 29.7 -173. -0.915 0.143
#> 2 30.7 -173. -0.867 0.128
#> 3 31.7 -173. -0.819 0.113
#> 4 32.7 -173. -0.771 0.0980
#> 5 33.7 -173. -0.723 0.0828
#> 6 34.7 -173. -0.674 0.0675
#> 7 35.7 -173. -0.626 0.0522
#> 8 36.7 -173. -0.577 0.0369
#> 9 37.7 -173. -0.529 0.0216
#> 10 38.7 -173. -0.480 0.00635
#> # ... with 1,145 more rows5.8 Material extra
Para aprender más, puedes consultar:
- R para ciencia de datos. Capítulo Importación de datos
- Importing data with RStudio blog
- Different ways of importing data into R blog