Kapitel 7 Dateimanagement

RStudio bietet intern bereits ein gutes Tool, um Dateien auf der Festplatte zu verarbeiten. Dateien lassen sich hier löschen, umbenennen, verschieben, kopieren oder neue Ordner hinzufügen.

7.1 Absolute und relative Dateipfade (Exkurs)

Um Dateien in R zu laden, muss zumeist ein Datenpfad angegeben werden, der zu der zu ladenden Datei führt. Der Datenpfad ist dabei zunächst entsprechen lang:

df_example <- read.csv(file = "/Users/username/Documents/GitHub/r-kurs/sitzung/data/strata.csv")

Diese langen Datenpfade können mithilfe von Working Directories (WD) gelöst werden. Diese können mit der Funktion setwd() eingerichtet werden.

setwd(dir = "/Users/username/Documents/GitHub/r-kurs/sitzung")

Im Zweifel kann die WD dann mithilfe von getwd() abgerufen werden.

Wurde eine WD festgelegt, kann der Datenpfad nun bei dem Ort beginnen, der über die setwd() Funktion festgelegt wurde.

df_example <- read.csv(file = "data/strata.csv")

Der Nachteil dieser Herangehensweise ist, dass die WD global für alle Arbeitsschritte festgelegt wird. Sollen aber WDs für einzelne “Projekte” festgelegt werden, sollten RProjects genutzt werden.

Video zum Thema Pfadangaben:

7.2 R Projects

Abb. 7.1: R Project Logo

Um ein R Project anzulegen, sollten folgende Schritte befolgt werden:

Projekt-Ordner anlegen (Name des Ordners wird zum Projekt-Namen)
In RStudio über Projects (oben rechts) New Project... wählen
New Project \(\Rightarrow\) Existing Directory \(\Rightarrow\) Erstellten Ordner aus 1. wählen \(\Rightarrow\) Create

Ein Projekt kann dann immer über die .RProj-Datei geöffnet werden.

Vorteile von Projekten:

Wechsel von Projekten einfach möglich (WD muss nicht immer neu festgelegt werden)
Code wird transportabel
Deutlich übersichtlicher als lose Ordnerstruktur
RHistory wird projektbezogen gespeichert

7.3 Dateien einlesen

In R sind grundsätzlich alle Datei-Typen einlesbar bzw. verarbeitbar. Hierunter zählen z.B.

Datenformat	File-Extension	Bemerkung
RData/RDS	.Rda bzw. .Rds	Native R-Datenformate
CSV	.csv	Comma-Seperated Values
Text/ASCII	.txt	Reines Textfile
XLS	.xls bzw. .xlsx	EXCEL-Datenformat
SAV	.sav	SPSS-Datenformat
DTA	.dta	Stata-Datenformat
R	.R	Speicherung als R-Skript

R interne Dateien, sowie verschiedene Text-Formate (.csv, .tsv, .txt, …) können bereits mit R Base eingelesen werden. Komplexere Datenformate (Excel, Stata, SPSS) benötigen bestimmte Packages.

7.3.1 R-interne Dateien

Objekte in der R Umgebung lassen sich explizit als Datei auf dem Computer speichern. Hierzu gibt es zwei mögliche Datei-Formate:

.Rda (R Data)

Mithilfe der Funktion save() können R Objekte gespeichert werden.

df_data <- data.frame(x = 1:10,   # Objekte anlegen
                      y = 10:1)

x <- 4

save(list = c("df_data","x"),     # Objekt speichern (als Liste)
     file = "data/example.Rda")   # Datenpfad

Die Funktion load lädt die gespeicherten Objekte wieder in die Umgebung.

load(file = "data/example.Rda")

Vorteil

Mehrere Objekte speicherbar

Nachteil

Objekte werden mit gleichem Namen wieder geladen

.Rds (R Data Single)

Das .Rds-Format erlaubt das speichern eines Objektes. Das Speichern erfolgt ähnlich wie bei den .Rda-Formaten.

saveRDS(df_data,
        file = "data/example.Rds")

Beim Laden wird ein neuer Name für das Objekt festgelegt.

df_new <- readRDS("data/example.Rds")

Vorteil

An neuen Namen bindbar

Nachteil

Nur ein Objekt kann gespeichert/geladen werden

7.3.2 R-externe Dateien

Sollen andere Dateiformate eingelesen werden, werden unterschiedliche Packages benötigt.

7.3.2.1 Haven Package

Abb. 7.2: haven Package Logo

Das haven-Package ist ein mächtiges Package, um Dateien in anderen gängigen Statistik-Formaten (.sav, .dta) einzulesen.

Die Funktionen funktionieren weitestgehend selbsterklärend:

needs(haven)

df_example_spss <- 
  read_spss(file = "data/example.sav",  # Dateipfad
            encoding = "UTF-8")         # Optional

df_example_stata <- 
  read_stata(file = "data/example.dta", # Dateipfad
             encoding = "UTF-8")        # Optional

7.4 Literaturverweise

Ergänzend

R for Data Science Kapitel 8 (R-Projects)

Weiterführend

R for Data Science Kapitel 11 (Data Import)

Quellen

Wickham, Hadley, and Garrett Grolemund. 2016. R for Data Science: Import, Tidy, Transform, Visualize, and Model Data. " O’Reilly Media, Inc.". https://r4ds.had.co.nz.