RDS-tiedoston tallentaminen ja lataaminen R

R on suosittu ohjelmointikieli tietojen analysointiin, ja sitä käytetään usein tietoobjektien luomiseen ja käsittelemiseen. RDS (R Data Serialization) -tiedostot ovat yleinen tallennusmuoto RStudiossa, ja niiden avulla voit säilyttää objektin tilan R-istuntojen välillä. R-objektin tallentaminen RDS-tiedostona R:ssä voi olla hyödyllistä, kun haluat jakaa työsi muiden kanssa, kopioida analyysisi tai yksinkertaisesti tallentaa työsi myöhempää käyttöä varten.

Tässä opetusohjelmassa opit tallentamaan ja lataamaan objekteja RDS-tiedostosta R:ssä. Tässä blogissa käsitellään myös objektien tuomista kohteesta .

Käsittelemme RDS-tiedostojen tallentamisen ja lataamisen perusteet R:ssä. Selitämme, mitä RDS-tiedostot ovat ja miten ne toimivat, ja opastamme sinua R-objektin tallentamisessa RDS-tiedostona ja tiedoston lataamisessa takaisin. RDS-tiedostoihin. Tarjoamme myös vinkkejä ja temppuja, jotka auttavat sinua työskentelemään RDS-tiedostojen kanssa tehokkaammin.

Sisällysluettelo

• Tiedoston valmistelu
• RDS-tiedoston tallentaminen R:hen
• Avaa objekti LuckyTemplatesissa RDS-tiedoston avulla
• Johtopäätös

Tiedoston valmistelu

Tässä esittelyssä käytämme pesäpallodataa sisältävää tiedostoa. Käytämme myös tidyverse -pakettia perusanalyysiin.

Lahman-paketti sisältää Palkat-nimisen tietojoukon. Tavoitteena on luoda taulukko, joka sisältää tiedot vuodesta, pelaajanimestä sekä heidän yksilöllisistä ja kumulatiivisista palkoista.

Määritetään ensin Palkat-tietojoukko ansioihin. Suodata sitten tarpeettomat tiedot tietojoukosta käyttämällä select ( ) -toimintoa. Järjestä tiedot seuraavaksi pelaajatunnuksen ja vuositunnuksen mukaan. Tiedot ryhmitellään edelleen pelaajatunnuksen mukaan.

Merkkiä , merkitty %>% , käytetään syöttämään operaation tulokset seuraavaan sen alapuolella olevaan operaatioon.

Jos haluat luoda uuden sarakkeen, joka sisältää pelaajien kumulatiiviset palkat, meidän on käytettävä mutate ( ) -toimintoa yhdessä cumsum ( ) -funktion kanssa. Kun suoritat koodin, saat taulukon, jossa on tiedot vuodesta, pelaajasta, palkasta ja kumulatiivisesta palkasta.

Pelaajia on kuitenkin vaikea tunnistaa pelkän tunnusnumeron perusteella. Meidän on lisättävä sarakkeita, jotka näyttävät pelaajanimen. Tee tämä käyttämällä valintatoimintoa ( ) . Alla olevassa koodissa left_join ( ) -funktiota käytetään yhdistämään kaksi taulukkoa yhteen.

Voit tarkastella uutta taulukkoa suorittamalla objektin. Head ( ) -funktiota käytetään palauttamaan taulukon ensimmäiset rivit.

Jos haluat tarkistaa tuloksen tarkkuuden, voit käyttää yhtäläisyysoperaattoria , joka on merkitty kahdella yhtäläisyysmerkillä ( == ).

RDS-tiedoston tallentaminen R:hen

Objektin tallentaminen RDS-tiedostona R:ssä mahdollistaa sen käsittelyn myöhemmin, toisin kuin tiedostossa, jossa on CSV-tunniste.

Tallenna tiedosto RDS-tunnisteella käyttämällä write_rds ( ) -toimintoa. Näet, että se kuuluu Lahmanin lukijapakettiin.

Kirjoita argumenttiin R-objektin nimi ja sijainti, johon haluat tallentaa tiedoston.

Jos avaat uuden RStudio-istunnon, voit tarkastella objektia uudelleen read_rds ( ) -toiminnolla.

Avaa objekti LuckyTemplatesissa RDS-tiedoston avulla

Jos haluat avata RDS-laajennuksella varustetun objektin LuckyTemplatesissa, napsauta Aloitus-välilehden Hae tiedot -vaihtoehtoa ja valitse Lisää .

Valitse ohjatussa Get Data -toiminnossa R Script ja napsauta sitten Yhdistä .

Kirjoita tekstiruutuun kirjastopaketti ja sama koodirivi, jota käytettiin RDS-tiedoston avaamiseen RStudiossa. Napsauta sitten OK .

Kun tiedosto on latautunut, voit avata sen ja tehdä lisämuutoksia. Mutta on suositeltavaa puhdistaa ja kiillottaa tiedot ja taulukko RStudiossa ennen tiedoston tuomista LuckyTemplatesiin.

Johtopäätös

RDS-tiedosto on kätevä ja tehokas tapa tallentaa ja jakaa R-objekteja, kuten tietokehyksiä, malleja ja luetteloita. Niitä on helppo lukea ja kirjoittaa, ja ne ovat loistava vaihtoehto muille tiedostomuodoille, kuten CSV tai Excel.

Lisäksi RDS-tiedostot säilyttävät R-objektien eheyden ja rakenteen, joten ne ovat ihanteellisia data-analyysi- ja mallinnusprojekteihin. Ne ovat olennainen työkalu kaikille R-käyttäjille ja voivat yksinkertaistaa huomattavasti R:n tietojen käsittelyä.

Kaikki parhaat,

George Mount