Sådan gemmer og indlæses en RDS-fil i R

R er et populært programmeringssprog til dataanalyse, og det bruges ofte til at skabe og manipulere dataobjekter. RDS-filer (R Data Serialization) er et almindeligt format til lagring i RStudio, og de giver dig mulighed for at bevare et objekts tilstand mellem R-sessioner. At gemme dit R-objekt som en RDS-fil i R kan være nyttigt til at dele dit arbejde med andre, replikere din analyse eller blot gemme dit arbejde til senere brug.

I denne vejledning lærer du, hvordan du gemmer og indlæser objekter fra en RDS-fil i R. Denne blog vil også dække, hvordan du importerer objekter fra .

Vi vil dække det grundlæggende i at gemme og indlæse RDS-filer i R. Vi vil forklare, hvad RDS-filer er, og hvordan de virker, og vi vil lede dig gennem processen med at gemme et R-objekt som en RDS-fil og derefter indlæse filen tilbage ind i R. Vi giver også nogle tips og tricks til at hjælpe dig med at arbejde med RDS-filer mere effektivt.

Indholdsfortegnelse

• Forberedelse af filen
• Gem en RDS-fil i R
• Åbn et objekt i LuckyTemplates ved hjælp af en RDS-fil i R
• Konklusion

Forberedelse af filen

Til denne demonstration vil vi bruge den, der indeholder baseballdata. Vi vil også bruge tidyverse -pakken til grundlæggende analyse.

Lahman-pakken indeholder et datasæt kaldet Lønninger. Målet er at oprette en tabel med oplysninger om år, spillernavn og deres individuelle og kumulative lønninger.

Lad os først tildele løndatasættet til indtjening. Filtrer derefter unødvendig information fra datasættet ved hjælp af funktionen vælg ( ) . Derefter skal du organisere dataene ved at arrangere dem i henhold til playerID og yearID. Dataene er yderligere grupperet efter spiller-ID.

, angivet med %>% , bruges til at føre resultaterne af en operation ind i den næste operation under den.

For at oprette en ny kolonne, der indeholder spillernes kumulative lønninger, skal vi bruge funktionen mutere ( ) sammen med funktionen cumsum ( ) . Når du kører koden, får du en tabel med oplysninger om år, spiller, løn og akkumuleret løn.

Det er dog svært at identificere spillere baseret på ID-nummer alene. Vi skal tilføje kolonner, der viser spillerens navn. Gør dette ved at bruge funktionen vælg ( ) . I koden nedenfor bruges funktionen left_join ( ) til at forbinde de to tabeller.

Kør objektet for at se den nye tabel. Hovedfunktionen ( ) bruges til at returnere de første rækker i en tabel.

Hvis du vil kontrollere nøjagtigheden af ​​resultatet, kan du bruge lighedsoperatoren som er angivet med to lighedstegn ( == ).

Gem en RDS-fil i R

At gemme et objekt som en RDS-fil i R giver dig mulighed for at arbejde på det senere, i modsætning til en fil med en CSV-udvidelse.

For at gemme en fil med en RDS-udvidelse skal du bruge funktionen write_rds ( ) . Du kan se, at den hører til læserpakken i Lahman.

I argumentet skal du skrive R-objektets navn og det sted, hvor du vil gemme filen.

Hvis du åbner en ny RStudio-session, kan du se objektet igen ved at bruge funktionen read_rds ( ) .

Åbn et objekt i LuckyTemplates ved hjælp af en RDS-fil i R

For at åbne et objekt med en RDS-udvidelse i LuckyTemplates skal du klikke på indstillingen Hent data under fanen Hjem og vælge Mere .

I guiden Hent data skal du vælge R Script og derefter klikke på Opret forbindelse .

I tekstboksen skal du skrive bibliotekspakken sammen med den samme kodelinje, der blev brugt til at åbne RDS-filen i RStudio. Klik derefter på OK .

Når filen er indlæst, kan du åbne den og foretage yderligere ændringer. Men det anbefales at rense og polere data og tabel i RStudio, før du importerer filen til LuckyTemplates.

Konklusion

En RDS-fil er en praktisk og effektiv måde at gemme og dele R-objekter, såsom datarammer, modeller og lister. De kan let læses og skrives, og de er et godt alternativ til andre filformater såsom CSV eller Excel.

Derudover bevarer RDS-filer integriteten og strukturen af ​​R-objekter, hvilket gør dem ideelle til dataanalyse og modelleringsprojekter. De er et væsentligt værktøj for enhver R-bruger og kan i høj grad forenkle processen med at arbejde med data i R.

Alt det bedste,

George Mount