Introduction to readr

アトミックベクトル

parse_logical()、parse_integer()、parse_double()、parse_character() は、対応するアトミックベクトルを生成するパーサーです。

parse_integer(c("1", "2", "3"))
#> [1] 1 2 3
parse_double(c("1.56", "2.34", "3.56"))
#> [1] 1.56 2.34 3.56
parse_logical(c("true", "false"))
#> [1]  TRUE FALSE

デフォルトでは、readr は小数点以下の記号として . を、グループ化記号として , を期待します。このデフォルトを上書きするには、 vignette("locales") で説明されているように、 locale() を使用します。

柔軟な数値パーサー

parse_integer() と parse_double() は厳格で、入力文字列は先行文字や後行文字のない単一の数値でなければなりません。parse_number() はより柔軟です。数値以外の接頭辞や接尾辞を無視し、グループ化記号の扱いも知っています。このため、通貨やパーセンテージを読み取るのに適しています。

parse_number(c("0%", "10%", "150%"))
#> [1]   0  10 150
parse_number(c("$1,234.5", "$12.45"))
#> [1] 1234.50   12.45

日付/時刻

readr は3種類の日付/時刻データをサポートしています。

• date：1970年1月1日からの日数。
• time: 午前0時からの秒数
• datetime: 1970-01-01午前0時からの秒数。

parse_datetime("2010-10-01 21:45")
#> [1] "2010-10-01 21:45:00 UTC"
parse_date("2010-10-01")
#> [1] "2010-10-01"
parse_time("1:00pm")
#> 13:00:00

各関数は、文字列のフォーマットを記述する format 引数を取ります。指定されない場合は、デフォルト値が使用されます。

• parse_datetime() は ISO8601 の日付時間を認識します。

• parse_date() は locale() で指定された date_format を使用します。デフォルト値は %AD で、 Y-m-d または Y/m/d 形式の日付を認識する自動的な日付パーサを使用します。

• parse_time() は locale() によって指定された time_format を使用します。デフォルト値は %At で、 H:M の後にオプションで秒と am/pm が続く形式の時刻を認識する自動時刻パーサを使用します。

ほとんどの場合、 parse_datetime() で説明されているように、 format を指定する必要があります。

parse_datetime("1 January, 2010", "%d %B, %Y")
#> [1] "2010-01-01 UTC"
parse_datetime("02/02/15", "%m/%d/%y")
#> [1] "2015-02-02 UTC"

因子

既知の値の集合を持つ列を読み込む場合、因子に直接読み込むことができます。parse_factor() は、与えられた水準の中に値がない場合に警告を発生させます。

parse_factor(c("a", "b", "a"), levels = c("a", "b", "c"))
#> [1] a b a
#> Levels: a b c
parse_factor(c("a", "b", "d"), levels = c("a", "b", "c"))
#> Warning: 1 parsing failure.
#> row col           expected actual
#>   3  -- value in level set      d
#> [1] a    b    <NA>
#> attr(,"problems")
#> # A tibble: 1 × 4
#>     row   col expected           actual
#>   <int> <int> <chr>              <chr> 
#> 1     3    NA value in level set d     
#> Levels: a b c

デフォルトを上書き

これまでの例で、readr がファイルの解析に使用した列の仕様を出力していることにお気づきでしょうか。

#> Parsed with column specification:
#> cols(
#>   x = col_integer(),
#>   y = col_character()
#> )

また、spec() を使えば、後からアクセスすることも可能です。

spec(df1)
#> cols(
#>   x = col_double(),
#>   y = col_date(format = "")
#> )
spec(df2)
#> cols(
#>   x = col_double(),
#>   y = col_date(format = "")
#> )

(非常に幅の広いファイルを読んでいる場合、完全な列の仕様にアクセスすることもできます。デフォルトでは、readr は最初の20列の仕様のみを表示します)。

もし、手動で列の種類を指定した場合は、このコードをコピー＆ペーストして、パースの問題を修正することから始めるとよいでしょう。

df3 <- read_csv(
  readr_example("challenge.csv"), 
  col_types = list(
    x = col_double(),
    y = col_date(format = "")
  )
)

一般に、明示的に列を指定することは良い習慣です。より手間がかかりますが、予期せぬ方法でデータが変更された場合に警告が表示されるようになります。本当に厳密に行うには、 stop_for_problems(df3) を使用するとよいでしょう。これは解析に問題があった場合にエラーを出し、解析を進める前にそれらの問題を修正することを強制します。

利用可能な列の仕様

利用可能な仕様は以下の通りです。(括弧内は文字列の省略形)

• col_logical() [l] は、T, F, TRUE または FALSE のみを含む。
• col_integer() [i], 整数。
• col_double() [d], 複素数.
• col_character() [c], その他すべて。
• col_factor(levels, ordered) [f], 固定された値の集合。
• col_date(format = "") [D]: ロケールの date_format を使用したものです。
• col_time(format = "") [t]: ロケールの time_format に従ったものです。
• col_datetime(format = "") [T]: ISO8601 の日付時刻
• col_number() [n], grouping_mark を含む数値。
• col_skip() [_, -], この列をインポートしない。
• col_guess() [?], 入力に基づいた「最適な」型を使用してパースします。

デフォルトの選択肢をオーバーライドするには、 col_types 引数を使用します。使用方法は2つあります。

• 文字列で指定します。"dc__d": 最初の列を double、2番目の列を character として読み、次の2列をスキップして、最後の列を double として読みます。(追加のパラメータを受け取る型では、この形式を使う方法はありません)。

• colオブジェクトの(名前付き)リストを持つ。

  read_csv("iris.csv", col_types = list(
    Sepal.Length = col_double(),
    Sepal.Width = col_double(),
    Petal.Length = col_double(),
    Petal.Width = col_double(),
    Species = col_factor(c("setosa", "versicolor", "virginica"))
  ))

  あるいは、その略称で

    read_csv("iris.csv", col_types = list(
    Sepal.Length = "d",
    Sepal.Width = "d",
    Petal.Length = "d",
    Petal.Width = "d",
    Species = col_factor(c("setosa", "versicolor", "virginica"))
  ))

省略された列は自動的に解析されるので、前の呼び出しと同じ結果になる。

read_csv("iris.csv", col_types = list(
  Species = col_factor(c("setosa", "versicolor", "virginica")))
)

また、指定しない列の自動検出には頼らず、デフォルトで使用する型を設定することも可能です。

read_csv("iris.csv", col_types = list(
  Species = col_factor(c("setosa", "versicolor", "virginica")),
  .default = col_double())
)

指定した列のみを読み込む場合は、cols_only() を使用します。

read_csv("iris.csv", col_types = cols_only(
  Species = col_factor(c("setosa", "versicolor", "virginica")))
)

出力

これらの関数の出力はすべて tibble です。文字が自動的に因数に変換されることはなく (つまり、 stringsAsFactors = FALSE はありません)、列名はそのままで、有効な R 識別子に変換されません (つまり、 check.names = TRUE はありません)。行名は決して設定されません。

属性には、列の仕様（spec()）と、パースに関する問題（problems()）が格納されます。