Chuẩn bị

R for babies

Mục tiêu

  1. Biết cách tìm path tới nơi lưu file data
  2. Biết cách tạo và quản lý R project
  3. Biết cách đọc data vào R

File data đang ở đâu?

Bước đầu tiên chúng ta phải biết file data đang nằm ở đâu trong máy tính. Vị trí, hay địa chỉ, hay đường dẫn lưu file data trong máy tính gọi là path.

Windows

Để Windows hiển thị đường dẫn trong Explorer, trên thanh menu chọn dấu ... > Options.

Windows

Chọn tab View, tick vào ô Display the full path in the title bar.

Windows

Sau khi làm các bước trên, click vào title bar của Explorer sẽ thấy hiển thị đầy đủ path của file hoặc folder hiện tại như sau:

Windows

Lưu ý

Trong Windows, khi copy path vào R cần sửa lại theo 1 trong 2 cách sau:

  1. Sửa tất cả dấu \ thành /:
C:/Users/ongph/github/r4babies/data
  1. Sửa tất cả dấu \ thành \\:
C:\\Users\\ongph\\github\\r4babies\\data

MacOS

Để hiển thị đường dẫn trong Finder, trên thanh menu chọn View > Show Path Bar

path-mac

MacOS

Tại thanh đường dẫn (Path Bar), nhấn chuột phải vào folder hoặc file, sau đó chọn Copy "tên_folder" as Pathname để copy đường dẫn đến folder.

Trong ví dụ sau, đường dẫn được copy là /Users/anhptq/Desktop/r4babies/data

Absolute path

Trong ví dụ trên, C:/Users/ongph/github/r4babies/data là đường dẫn tuyệt đối (absolute path). Absolute path là path đầy đủ từ đầu ổ đĩa cho đến file hay folder hiện tại.

Relative path

Trong folder C:/Users/ongph/github/r4babies có chứa 2 folders là /data/analysis. Chúng ta có thể minh họa path này như sau:

C:
|-- Users
    |-- ongph
        |-- github
            |-- r4adults
                |-- data
            |-- r4babies
                |-- data
                |-- analysis

Relative path

C:
|-- Users
    |-- ongph
        |-- github
            |-- r4adults
                |-- data
            |-- r4babies
                |-- data
                |-- analysis

Ví dụ chúng ta đang ở trong folder /data nằm trong /r4babies. Từ /data muốn hướng dẫn cho máy tính đi đến được folder /analysis có thể viết relative path như sau:

../analysis

Relative path

C:
|-- Users
    |-- ongph
        |-- github
            |-- r4adults
                |-- data
            |-- r4babies
                |-- data
                |-- analysis
../analysis

Trong đó:

  • ..: đi ngược lên 1 folder, trong ví dụ này chúng ta đang ở /data, đi ngược lên 1 folder là /r4babies
  • /analysis: sau khi đi ngược lên /r4babies, hướng dẫn máy tính đi tiếp tới folder /analysis

Relative path

C:
|-- Users
    |-- ongph
        |-- github
            |-- r4adults
                |-- data
            |-- r4babies
                |-- data
                |-- analysis

Tương tự, chúng ta đang ở trong folder /data nằm trong /r4babies, muốn đến folder /data nằm trong /r4adults thì viết như sau:

../../r4adults/data

Quy tắc đặt tên files, folders

Để tránh bị lỗi trong quá trình sử dụng R, nên đặt tên files, folders theo các quy tắc sau:

  • Không đặt tên có dấu tiếng Việt
  • Không đặt tên quá dài
  • Không đặt tên có các kí tự đặc biệt như /, \, &, ,, (, )…, tốt nhất chỉ nên đặt chữ và số

Quy tắc đặt tên files, folders

Để tránh bị lỗi trong quá trình sử dụng R, nên đặt tên files, folders theo các quy tắc sau:

  • Không đặt tên chữ viết hoa viết thường lẫn lộn, nếu cần thì chỉ đặt theo quy luật camelCase (viết hoa chữ cái đầu của các từ sau từ đầu tiên, ví dụ dataSoiHcm) hoặc PascalCase (viết hoa chữ cái đầu của tất cả các từ, ví dụ DataSoiHcm)

Quy tắc đặt tên files, folders

Để tránh bị lỗi trong quá trình sử dụng R, nên đặt tên files, folders theo các quy tắc sau:

  • Không có khoảng trống " " trong tên, có thể đặt kiểu camelCase, hoặc sử dụng dấu -, _ thay thế các khoảng trống: ví dụ không dùng tên data soi HCM 2023.xlsx mà có thể đặt là dataSoiHcm2023.xlsx, hoặc data-soi-hcm-2023.xlsx, hoặc data_soi_hcm_2023.xlsx

R project

Để tiện quản lý, mỗi dự án phân tích nên được đặt trong 1 folder. Trong folder này chứa tất cả data, code, bảng kết quả, biểu đồ… Chúng ta sẽ dùng chức năng tạo R project của RStudio để tạo folder này.

R project

Trên thanh menu vào File > New Project... > New Directory.

R project

Chọn Project Type là New Project.

R project

Đặt tên folder cho project này, và chọn đường dẫn nơi sẽ lưu project trong máy tính.

R project

Trong folder /test là một R project mới tạo này, chúng ta tạo thêm 2 folders /data/analysis. Các thành phần trong folder này như sau:

test
|-- data
    |-- data.csv
|-- analysis
    |-- code.R
    |-- analysis.Rmd
|-- test.Rproj
  • Folder /data: chứa tất cả data.
  • Folder /analysis: chứa tất cả file R Markdown.

R project

Từ bây giờ, mỗi lần muốn phân tích cho dự án /test này, chúng ta mở file test.Rproj bằng RStudio. Tất cả các file code trong folder /analysis có thể đọc file trong folder /data bằng cách dùng relative path. Những data quan trọng không thể copy vào chung trong project thì dùng absolute path. Ví dụ:

df <- read.csv("../data/data.csv")

Phân biệt hai loại file chính

Chúng ta có thể gặp các files data ở rất nhiều format khác nhau, như .csv, .txt, .json, .xlsx, .dta… Tuy nhiên, một cách đơn giản, có thể chia các files thành 2 loại:

  • Text files
  • Binary files

Text files

Là những files khi mở bằng text editor như Notepad thì có thể đọc được các chữ trong file (human-readable). Các files như .csv, .txt, .json đều là text files. Trong R đã có sẵn những functions để đọc được hầu hết các text files.

Text files

Figure 1: File .csv.json khi mở bằng Notepad

Binary files

Là những files khi mở bằng text editor như Notepad thì không đọc được các chữ trong file. Các files như .xlsx, .dta đều là binary files. Binary files cần được mở bằng các phần mềm chuyên dụng, ví dụ dùng Excel để mở file .xlsx thì mới đọc được dưới dạng chữ human-readable. Bản thân R không đọc được các loại file này, nhưng chúng ta có thể cài đặt và sử dụng các R packages để đọc binary files.

Binary files

Figure 2: File .xlsx.dta khi mở bằng Notepad

read.table()

Lệnh read.table() là lệnh chung để đọc tất cả data dạng bảng.

read.table(file, header = FALSE, sep = "")

Dùng ?read.table để đọc thêm hướng dẫn sử dụng và các arguments khác của lệnh.

read.table()

read.table(file, header = FALSE, sep = "")
  • file: path của file data đầu vào, có thể dùng absolute path hoặc relative path.

  • header: dòng đầu tiên của file data có phải là tên cột không. Nếu header = TRUE thì R sẽ lấy các giá trị trong hàng đầu tiên làm tên cột. Nếu header = FALSE thì R sẽ tự đặt tên cột là V1, V2, V3

Lưu ý

Trong R, TRUE có thể viết tắt là TFALSE có thể viết tắt là F.

read.table()

read.table(file, header = FALSE, sep = "")
  • sep: các cột trong text file ngăn cách nhau bằng kí tự gì. Ví dụ file life-exp.csv nếu chúng ta mở bằng Notepad sẽ thấy các cột ngăn cách nhau bằng dấu ,.

read.table()

Chúng ta đọc file life-exp.csv vào R như sau:

df <- read.table(file = "data/life-exp.csv", header = F, sep = ",")
head(df)
           V1   V2         V3               V4              V5            V6
1     Country Year     Status Life expectancy  Adult Mortality infant deaths
2 Afghanistan 2015 Developing             65.0             263            62
3 Afghanistan 2014 Developing             59.9             271            64
4 Afghanistan 2013 Developing             59.9             268            66
5 Afghanistan 2012 Developing             59.5             272            69
6 Afghanistan 2011 Developing             59.2             275            71
       V7                     V8          V9      V10   V11                V12
1 Alcohol percentage expenditure Hepatitis B Measles   BMI  under-five deaths 
2    0.01            71.27962362          65     1154  19.1                 83
3    0.01            73.52358168          62      492  18.6                 86
4    0.01            73.21924272          64      430  18.1                 89
5    0.01             78.1842153          67     2787  17.6                 93
6    0.01            7.097108703          68     3013  17.2                 97
    V13               V14         V15       V16        V17         V18
1 Polio Total expenditure Diphtheria   HIV/AIDS        GDP  Population
2     6              8.16          65       0.1  584.25921 3.3736494e7
3    58              8.18          62       0.1 612.696514    327582.0
4    62              8.13          64       0.1 631.744976 3.1731688e7
5    67              8.52          67       0.1    669.959  3.696958e6
6    68              7.87          68       0.1  63.537231  2.978599e6
                    V19                 V20                             V21
1  thinness  1-19 years  thinness 5-9 years Income composition of resources
2                  17.2                17.3                           0.479
3                  17.5                17.5                           0.476
4                  17.7                17.7                            0.47
5                  17.9                18.0                           0.463
6                  18.2                18.2                           0.454
        V22
1 Schooling
2      10.1
3      10.0
4       9.9
5       9.8
6       9.5

read.table()

Nếu đọc với argument header = T:

df <- read.table(file = "data/life-exp.csv", header = T, sep = ",")
head(df)
      Country Year     Status Life.expectancy Adult.Mortality infant.deaths
1 Afghanistan 2015 Developing            65.0             263            62
2 Afghanistan 2014 Developing            59.9             271            64
3 Afghanistan 2013 Developing            59.9             268            66
4 Afghanistan 2012 Developing            59.5             272            69
5 Afghanistan 2011 Developing            59.2             275            71
6 Afghanistan 2010 Developing            58.8             279            74
  Alcohol percentage.expenditure Hepatitis.B Measles  BMI under.five.deaths
1    0.01              71.279624          65    1154 19.1                83
2    0.01              73.523582          62     492 18.6                86
3    0.01              73.219243          64     430 18.1                89
4    0.01              78.184215          67    2787 17.6                93
5    0.01               7.097109          68    3013 17.2                97
6    0.01              79.679367          66    1989 16.7               102
  Polio Total.expenditure Diphtheria HIV.AIDS       GDP Population
1     6              8.16         65      0.1 584.25921   33736494
2    58              8.18         62      0.1 612.69651     327582
3    62              8.13         64      0.1 631.74498   31731688
4    67              8.52         67      0.1 669.95900    3696958
5    68              7.87         68      0.1  63.53723    2978599
6    66              9.20         66      0.1 553.32894    2883167
  thinness..1.19.years thinness.5.9.years Income.composition.of.resources
1                 17.2               17.3                           0.479
2                 17.5               17.5                           0.476
3                 17.7               17.7                           0.470
4                 17.9               18.0                           0.463
5                 18.2               18.2                           0.454
6                 18.4               18.4                           0.448
  Schooling
1      10.1
2      10.0
3       9.9
4       9.8
5       9.5
6       9.2

read.table()

df <- read.table(file = "data/life-exp.csv", header = T, sep = ",")
head(df)

Note

Dấu <- dùng để gán kết quả của một function cho một đối tượng (object) trong R. Nếu chỉ viết read.table(file = "data/life-exp.csv", header = T, sep = ",") thì R không lưu lại kết quả sau khi đọc mà chỉ hiển thị ra màn hình.

Sau khi gán kết quả đọc của read.table() vào object df, dùng lệnh head(df) để hiển thị 6 dòng đầu tiên của bảng.

read.csv()

File .csv là một định dạng thông dụng, tên đầy đủ là comma-separated values nghĩa là các giá trị được ngăn cách bởi dấu , (comma). Trong R có sẵn lệnh read.csv() để đọc file .csv.

read.csv(file, header = TRUE, sep = ",")

Các arguments của read.csv() cũng tương tự read.table(), nhưng đã được quy định cho phù hợp với file .csv. Vì vậy, thường chỉ cần đặt path vào argument file là đủ.

read.csv()

df <- read.csv(file = "data/life-exp.csv")
head(df)
      Country Year     Status Life.expectancy Adult.Mortality infant.deaths
1 Afghanistan 2015 Developing            65.0             263            62
2 Afghanistan 2014 Developing            59.9             271            64
3 Afghanistan 2013 Developing            59.9             268            66
4 Afghanistan 2012 Developing            59.5             272            69
5 Afghanistan 2011 Developing            59.2             275            71
6 Afghanistan 2010 Developing            58.8             279            74
  Alcohol percentage.expenditure Hepatitis.B Measles  BMI under.five.deaths
1    0.01              71.279624          65    1154 19.1                83
2    0.01              73.523582          62     492 18.6                86
3    0.01              73.219243          64     430 18.1                89
4    0.01              78.184215          67    2787 17.6                93
5    0.01               7.097109          68    3013 17.2                97
6    0.01              79.679367          66    1989 16.7               102
  Polio Total.expenditure Diphtheria HIV.AIDS       GDP Population
1     6              8.16         65      0.1 584.25921   33736494
2    58              8.18         62      0.1 612.69651     327582
3    62              8.13         64      0.1 631.74498   31731688
4    67              8.52         67      0.1 669.95900    3696958
5    68              7.87         68      0.1  63.53723    2978599
6    66              9.20         66      0.1 553.32894    2883167
  thinness..1.19.years thinness.5.9.years Income.composition.of.resources
1                 17.2               17.3                           0.479
2                 17.5               17.5                           0.476
3                 17.7               17.7                           0.470
4                 17.9               18.0                           0.463
5                 18.2               18.2                           0.454
6                 18.4               18.4                           0.448
  Schooling
1      10.1
2      10.0
3       9.9
4       9.8
5       9.5
6       9.2

read_excel()

Dùng lệnh read_excel() trong package readxl để đọc các file excel (đuôi .xls hay .xlsx).

read_excel(path, sheet = NULL, col_names = TRUE)

Chúng ta có thể thấy tên các arguments của read_excel() hoàn toàn khác với read.table() hay read.csv().

read_excel()

read_excel(path, sheet = NULL, col_names = TRUE)
  • path: path của file data đầu vào.
  • sheet: tên hoặc số thứ tự của sheet sẽ đọc vào R, nếu file có nhiều sheets.
  • col_names: dòng đầu tiên của file data có phải là tên cột không, giống argument header của read.table().

read_excel()

library(readxl)
df <- read_excel(path = "data/gdp-capita.xlsx", sheet = 1)
head(df)
# A tibble: 6 × 10
  `Country Name` `Country Code` `2015` `2016` `2017` `2018` `2019` `2020` `2021`
  <chr>          <chr>           <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>
1 Aruba          ABW            28419. 28450. 29329. 30918. 31903. 24008. 29128.
2 Africa Easter… AFE             1554.  1444.  1625.  1558.  1508.  1356.  1546.
3 Afghanistan    AFG              567.   523.   526.   492.   498.   512.   356.
4 Africa Wester… AFW             1882.  1649.  1590.  1735.  1812.  1688.  1767.
5 Angola         AGO             3217.  1810.  2439.  2541.  2191.  1451.  1927.
6 Albania        ALB             3953.  4124.  4531.  5288.  5396.  5343.  6377.
# ℹ 1 more variable: `2022` <dbl>

Lưu ý

Một lỗi thường gặp với file excel là R đọc các file có merged cells không tốt. Vì vậy khi nhập data, nên tránh làm merged cells.

File SPSS, Stata, SAS

Dùng các lệnh read_sav() (SPSS), read_dta() (Stata) và read_sas() (SAS) trong package haven.

library(haven)
df <- read_dta(file = "data/linelist-raw.dta")
head(df)
# A tibble: 6 × 28
  case_id generation infection_date      date_onset hosp_date          
  <chr>        <dbl> <dttm>              <chr>      <dttm>             
1 5fe599           4 2014-05-08 00:00:00 2014-05-13 2014-05-15 00:00:00
2 8689b7           4 NA                  2014-05-13 2014-05-14 00:00:00
3 11f8ea           2 NA                  2014-05-16 2014-05-18 00:00:00
4 b8812a           3 2014-05-04 00:00:00 2014-05-18 2014-05-20 00:00:00
5 893f25           3 2014-05-18 00:00:00 2014-05-21 2014-05-22 00:00:00
6 be99c8           3 2014-05-03 00:00:00 2014-05-22 2014-05-23 00:00:00
# ℹ 23 more variables: date_of_outcome <dttm>, outcome <chr>, gender <chr>,
#   hospital <chr>, lon <dbl>, lat <dbl>, infector <chr>, source <chr>,
#   age <chr>, age_unit <chr>, row_num <dbl>, wt_kg <dbl>, ht_cm <dbl>,
#   ct_blood <dbl>, fever <chr>, chills <chr>, cough <chr>, aches <chr>,
#   vomit <chr>, temp <dbl>, time_admission <chr>, merged_header <chr>,
#   x28 <chr>

Mục tiêu

  1. Biết cách tìm path tới nơi lưu file data
  2. Biết cách tạo và quản lý R project
  3. Biết cách đọc data vào R