5.2 O pacote readr

O pacote {readr}do tidyverse é utilizado para importar arquivos de texto, como .txt ou .csv, para o R. Para carregá-lo, rode o código:

library(readr)

O {readr} transforma arquivos de textos em tibbles usando as funções:

  • read_csv(): para arquivos separados por vírgula.

  • read_tsv(): para arquivos separados por tabulação.

  • read_delim(): para arquivos separados por um delimitador genérico. O argumento delim= indica qual caracter separa cada coluna no arquivo de texto.

  • read_table(): para arquivos de texto tabular com colunas separadas por espaço.

  • read_fwf(): para arquivos compactos que devem ter a largura de cada coluna especificada.

  • read_log(): para arquivos padrões de log.

Vamos mostrar na próxima seção como importar as extensões mais comuns: .csv e .txt.

5.2.1 Lendo arquivos de texto

Como exemplo, utilizaremos uma base de filmes do IMDB, gravada em diversos formatos. O download dos arquivos pode ser realizado a partir deste repositório.

Primeiro, vamos ler a base em formato .csv.

imdb_csv <- read_csv(file = "imdb.csv")
## Parsed with column specification:
## cols(
##   titulo = col_character(),
##   ano = col_double(),
##   diretor = col_character(),
##   duracao = col_double(),
##   cor = col_character(),
##   generos = col_character(),
##   pais = col_character(),
##   classificacao = col_character(),
##   orcamento = col_double(),
##   receita = col_double(),
##   nota_imdb = col_double(),
##   likes_facebook = col_double(),
##   ator_1 = col_character(),
##   ator_2 = col_character(),
##   ator_3 = col_character()
## )

A mensagem retornada pela função indica qual classe foi atribuída para cada coluna. Repare que o argumento file= representa o caminho até o arquivo. Se o arquivo a ser lido não estiver no diretório de trabalho da sua sessão, você precisa especificar o caminho até o arquivo.

# Se o arquivo estiver dentro de uma pasta chamada dados.
imdb_csv <- read_csv(file = "dados/imdb.csv")

A maioria das funções de leitura do {readr} possuem argumentos muito úteis para resolver problemas de importação:

  • col_names=: indica se a primeira linha da base contém ou não o nome das colunas. Também pode ser utilizado para (re)nomear colunas.

  • col_types=: caso alguma coluna seja importada com a classe errada (uma coluna de números foi importada como texto, por exemplo), você pode usar esse argumento para especificar a classe das colunas.

  • locale=: útil para tratar problema de encoding.

  • skip=: pula linhas no começo do arquivo antes de iniciar a importação. Útil para quando o arquivo a ser importado vem com metadados ou qualquer tipo de texto nas primeiras linhas, antes da base.

  • na=: indica quais strings deverão ser considaras NA na hora da importação.

Em alguns países, como o Brasil, as vírgulas são utilizadas para separar as casas decimais dos números, inviabilizando o uso de arquivos .csv. Nesses casos, quando a vírgula é o separador de decimal, os arquivos .csv passam a ser separados por ponto-e-vírgula. Para importar bases de arquivos separados por ponto-e-vírgula no R, basta usar a função read_csv2().

imdb_csv2 <- read_csv2("dados/imdb2.csv")

Arquivos .txt em geral podem ser lidos com a função read_delim(). Além do caminho até o arquivo, você também precisa indicar qual é o caractere utilizado para separar as colunas da base. Um arquivo separado por tabulação, por exemplo, pode ser lido utilizando a o código abaixo. O código \t é uma forma textual de representar a tecla TAB.

imdb_txt <- read_delim("dados/imdb.txt", delim = "\t")

Repare que a sintaxe é igual a da função read_csv(). Em geral, as funções de importação do {tidyverse} terão sintaxe e comportamento muito parecidos.

A seguir, vamos falar das funções parse_(), muito úteis para tratar problemas na classe das variáveis na hora da importação.

5.2.2 Locale

Muitas funções de importação e formatação possuem um argumento locale. Esse argumento é utilizado para definir opções de formatação próprias de uma certa localidade, como idioma, formato de data e hora, fuso horário, separador de decimal e milhar ou encoding.

O pacote {readr} possui uma função chamada locale(), que pode ser utilizada para definir todos esses atributos. Para saber quais são os padrões atualmente definidos na sua sessão, basta rodar:

locale()
## <locale>
## Numbers:  123,456.78
## Formats:  %AD / %AT
## Timezone: UTC
## Encoding: UTF-8
## <date_names>
## Days:   Sunday (Sun), Monday (Mon), Tuesday (Tue), Wednesday (Wed), Thursday
##         (Thu), Friday (Fri), Saturday (Sat)
## Months: January (Jan), February (Feb), March (Mar), April (Apr), May (May),
##         June (Jun), July (Jul), August (Aug), September (Sep), October
##         (Oct), November (Nov), December (Dec)
## AM/PM:  AM/PM

Em geral, teremos padrões norte-americanos. Se quisermos que os nomes de dias e meses fiquem em português, podemos fazer:

locale(date_names = "pt")
## <locale>
## Numbers:  123,456.78
## Formats:  %AD / %AT
## Timezone: UTC
## Encoding: UTF-8
## <date_names>
## Days:   domingo (dom), segunda-feira (seg), terça-feira (ter), quarta-feira
##         (qua), quinta-feira (qui), sexta-feira (sex), sábado (sáb)
## Months: janeiro (jan), fevereiro (fev), março (mar), abril (abr), maio (mai),
##         junho (jun), julho (jul), agosto (ago), setembro (set), outubro
##         (out), novembro (nov), dezembro (dez)
## AM/PM:  AM/PM

Ou trocar o separador de decimal de ponto para vírgula, caso a base a ser importada esteja nesse formato.

locale(decimal_mark = ",")
## <locale>
## Numbers:  123.456,78
## Formats:  %AD / %AT
## Timezone: UTC
## Encoding: UTF-8
## <date_names>
## Days:   Sunday (Sun), Monday (Mon), Tuesday (Tue), Wednesday (Wed), Thursday
##         (Thu), Friday (Fri), Saturday (Sat)
## Months: January (Jan), February (Feb), March (Mar), April (Apr), May (May),
##         June (Jun), July (Jul), August (Aug), September (Sep), October
##         (Oct), November (Nov), December (Dec)
## AM/PM:  AM/PM

A função locale() deve ser utilizada dentro das funções read_(), no argumento locale. Uma utilização muito comum é a definição do encoding do arquivo. O encoding se refere a como o computador traduz os caracteres que vemos na tela para os valores binários que ele utiliza internamente. Existem vários tipos de encoding e isso é um problema principalmente porque o Windows utiliza um encoding diferente do Linux/Mac. Você saberá que tem um problema de encoding quando letras com acento ou outros caracteres especiais ficarem desconfigurados após importar uma base para o R.

# Vamos produzir um problema de encoding

frase_com_acentos <- "Você comerá uma maçã amanhã à tarde"

# Vendo encoding. UTF-8 é o padrão do Linux/Mac
Encoding(frase_com_acentos)
## [1] "UTF-8"

# Forçando um novo encoding. 
# latin1 é um dos padrões que funcionam no Windows.
Encoding(frase_com_acentos) <-  "latin1"

# Agora temos um problema de encoding
frase_com_acentos
## [1] "Você comerá uma maçã amanhã à tarde"

Quando estivermos enfrentando esse problema, devemos dizer à função read_() qual o encoding deve ser utilizado no arquivo.

read_csv("base_que_veio_do_windows.csv", locale = locale(encoding = "latin1"))

O latin1 é apenas um dos encodings que podem funcionar em arquivos do Windows. Outras sugestões são: windows-1250, windows-1252, ISO-8859-2 e ISO-8859-1. Se você estiver lendo um arquivo cruado no Linux/Mac no Windows, basta usar o encoding UTF-8.

Eu consegui resolver 99% dos meus problemas de encoding quando passei a fingir que o Windows não existe. — Julio Trecenti

Na seção a seguir, mostramos mais alguns exemplos da função locale().

5.2.3 Parseando valores

O pacote {readr} possui algumas funções muito úteis para parsear valores. Parsear é um termo muito utilizado em programação e tem o sentido de arrumar ou formatar. Se estamos parseando um número, por exemplo, estamos pegando um texto que é muito parecido com um número e o transforando em um número de fato.

parse_number(c("5", "5.0", "5,0", "R$5.00", "5 a"))
## [1]  5  5 50  5  5
Arte por Allison Horst (@allison_horst). Veja nas Referências onde encontrá-la.

Figura 5.1: Arte por Allison Horst (@allison_horst). Veja nas Referências onde encontrá-la.

Veja que podemos usar o argumento locale para especificar coordenadas para o parseamento

parse_number("5,0", locale = locale(decimal_mark = ","))
## [1] 5

ou o idioma usado em datas

# Inglês
parse_date(
  "01/June/2010", 
  format = "%d/%B/%Y"
)
## [1] "2010-06-01"

# Português
parse_date(
  "01/Junho/2010", 
  format = "%d/%B/%Y",
  locale = locale(date_names = "pt")
)
## [1] "2010-06-01"

Você também pode especificar NAs utilizando o argumento na.

parse_number(c("5", "5.0", "5,0", "R$5.00", "5 a"), na = "5 a")
## [1]  5  5 50  5 NA

Outras funções de parseamento úteis são:

  • readr::parse_integer(), para parsear números inteiros.
  • readr::parse_character(), para parsear strings
  • readr::parse_date(), readr::parse_time(), readr::parse_datetime()para parsear datas, horas e data/horas.

Todas essas funções são utilizadas nas colunas de uma base quando utilizamos as funções de importação do {readr}. Assim, se algum valor foi modificado incorretamente durante a importação, você pode testar importar tudo como texto (character) e usar essas funções para reproduzir a transformação que o {readr} fez.

5.2.4 Escrevendo arquivos de texto

Para a maioria das funções read_, existe uma respectiva função write_. Essas funções servem para salvar bases em um formato específico de arquivo. Além do caminho/nome do arquivo a ser criado, você também precisa passar o objeto que será escrito. Para o arquivo criado funcionar corretamente, você precisa especificar a extensão correta no nome do arquivo.

# Arquivo .csv
write_csv(x = mtcars, path = "data/mtcars.csv")

# Base separada por tabulação
write_delim(x = mtcars, path = "data/mtcars.txt", delim = "\t")

5.2.5 Arquivos .rds

A linguagem R tem uma extensão própria de arquivos binários chamada RDS ou .rds. Essa extensão pode ser utilizada para guarda qualquer tipo de objeto do R, inclusive bases de dados. Temos duas principais vantagens ao utilizarmos essa extensão para salvarvamos as nossas bases:

  • ele salva as classes especificadas para as colunas;

  • ele pode ser compactado, gerando arquivos muito menores.

A desvantagem é que ele só poderá ser lido dentro do R.

Para criar um arquivo .rds, utilize a função write_rds().

write_rds(mtcars, path = "mtcars.rds", compress = "gz")

O argumento compress é opcional e indica qual o tipo de compactação deve ser feito. O padrão é não compactar.

Para ler um arquivo .rds de volta para o R, utilizamos a função read_rds(). Repare que essa função não possui outros argumentos, pois o objeto importado será exatamente igual ao objeto que foi gravado no arquivo.

imdb_rds <- read_rds(path = "imdb.rds")

Exercícios

  1. Qual a diferença entre as funções read_csv() e read_csv2()?

  2. Leia o arquivo imdb.csv utilizando a função read_delim().

  3. Escreva a base mtcars em um arquivo mtcars.csv que não contenha o nome das colunas.

  4. Use a função write_rds() para salvar em arquivos

  1. Um número.
  2. Um vetor de strings.
  3. Uma lista com valores númericos, textuais e lógicos.
  4. As 3 primeiras colunas da base mtcars.
  1. Utilize a função read_rds() para importar de volta para o R os arquivos criados no exercício 4.

Curso-R