Jak zapisać i załadować plik RDS w R

R jest popularnym językiem programowania do analizy danych i jest często używany do tworzenia obiektów danych i manipulowania nimi. Pliki RDS (R Data Serialization) są powszechnym formatem zapisywania obiektów R w RStudio i umożliwiają zachowanie stanu obiektu między sesjami R. Zapisanie obiektu R jako pliku RDS w R może być przydatne do dzielenia się swoją pracą z innymi, replikowania analizy lub po prostu przechowywania pracy do późniejszego wykorzystania.

W tym samouczku dowiesz się, jak zapisywać i ładować obiekty z pliku RDS w R. W tym blogu omówiono również sposób importowania obiektów z R do usługi LuckyTemplates .

Omówimy podstawy zapisywania i ładowania plików RDS w R. Wyjaśnimy, czym są pliki RDS i jak działają, a także przeprowadzimy Cię przez proces zapisywania obiektu R jako pliku RDS, a następnie ładowania tego pliku z powrotem do R. Podamy również kilka wskazówek i wskazówek, które pomogą Ci wydajniej pracować z plikami RDS.

Spis treści

• Przygotowanie pliku
• Zapisywanie pliku RDS w formacie R
• Otwórz obiekt w LuckyTemplates przy użyciu pliku RDS w R
• Wniosek

Przygotowanie pliku

W tej demonstracji użyjemy pakietu Lahmana , który zawiera dane dotyczące baseballu. Będziemy również używać pakietu tidyverse do podstawowej analizy.

Pakiet Lahmana zawiera zestaw danych o nazwie Wynagrodzenia. Celem jest stworzenie tabeli zawierającej informacje o roku, nazwisku zawodnika oraz jego indywidualnych i skumulowanych wynagrodzeniach.

Najpierw przypiszmy zestaw danych Salaries do zarobków. Następnie odfiltruj niepotrzebne informacje ze zbioru danych za pomocą funkcji select ( ) . Następnie uporządkuj dane, układając je według identyfikatora gracza i identyfikatora roku. Dane są dodatkowo pogrupowane według identyfikatora gracza.

Operator potoku , oznaczony przez %>% , służy do przekazywania wyników operacji do następnej operacji poniżej.

Aby utworzyć nową kolumnę zawierającą skumulowane pensje zawodników, musimy użyć funkcji mutate ( ) wraz z funkcją cumsum ( ) . Po uruchomieniu kodu otrzymasz tabelę z informacjami na temat roku, zawodnika, wynagrodzenia i skumulowanej pensji.

Jednak trudno jest zidentyfikować graczy na podstawie samego numeru identyfikacyjnego. Musimy dodać kolumny, które pokazują nazwę gracza. Zrób to za pomocą funkcji wybierz ( ) . W poniższym kodzie funkcja left_join ( ) służy do łączenia ze sobą dwóch tabel.

Aby wyświetlić nową tabelę, uruchom obiekt. Funkcja head ( ) służy do zwracania pierwszych wierszy w tabeli.

Jeśli chcesz sprawdzić dokładność wyniku, możesz użyć operatora równości , który jest oznaczony dwoma znakami równości ( == ).

Zapisywanie pliku RDS w formacie R

Zapisanie obiektu jako pliku RDS w R pozwala na późniejszą pracę nad nim, w przeciwieństwie do pliku z rozszerzeniem CSV.

Aby zapisać plik z rozszerzeniem RDS, użyj funkcji write_rds ( ) . Możesz zobaczyć, że należy do pakietu readr w Lahmanie.

W argumencie wpisz nazwę obiektu R i lokalizację, w której chcesz zapisać plik.

Jeśli otworzysz nową sesję RStudio, możesz ponownie wyświetlić obiekt za pomocą funkcji read_rds () .

Otwórz obiekt w LuckyTemplates przy użyciu pliku RDS w R

Aby otworzyć obiekt z rozszerzeniem RDS w usłudze LuckyTemplates, kliknij opcję Pobierz dane na karcie Strona główna i wybierz Więcej .

W kreatorze pobierania danych wybierz Skrypt R , a następnie kliknij Połącz .

W polu tekstowym wpisz pakiet biblioteki wraz z tym samym wierszem kodu, którego użyto do otwarcia pliku RDS w RStudio. Następnie kliknij OK .

Po załadowaniu pliku możesz go otworzyć w dodatku Power Query i wprowadzić dodatkowe zmiany. Jednak przed zaimportowaniem pliku do usługi LuckyTemplates zaleca się wyczyszczenie i dopracowanie danych i tabeli w programie RStudio.

Wniosek

Plik RDS to wygodny i wydajny sposób zapisywania i udostępniania obiektów języka R, takich jak ramki danych, modele i listy. Można je łatwo odczytywać i zapisywać i są świetną alternatywą dla innych formatów plików, takich jak CSV czy Excel.

Ponadto pliki RDS zachowują integralność i strukturę obiektów R, dzięki czemu idealnie nadają się do analizy danych i projektów modelowania. Są niezbędnym narzędziem dla każdego użytkownika R i mogą znacznie uprościć proces pracy z danymi w R.

Wszystkiego najlepszego,

Jerzego Mounta