Kapitel 54 Importieren von Daten
54.1 Pakete für dieses Kapitel
library(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(stringr)
library(rio)Eigentlich brauchen Sie dieses Kapitel gar nicht zu lesen. Benutzt einfach das Paket rio und importieren von Daten ist einfach.
Aber da man nie tun soll was euch der Lehrer sagt, solltet ihr vielleicht trotzdem weiterlesen.
54.2 Importieren eines CSV Files
CSV files sind coma separated values, das heisst, die Werte werden im Dokument mit einem Komma getrennt: 3,4,2,3,4,5,6,4,2,1, etc. Sie finden hier auch noch weitere Erklärungen dazu
Wir laden ein csv vom Internet herunten.
54.2.1 Base-R Lösung: Dauert oft relativ lange. In diesem Beispiel dauert es extrem lange (etwa 80 Sekunden), da es ein grosser Datensatz ist.
Take-Home Message: es gibt schnellere Varianten als diese.
- Bemerkung: Die Option fileEncoding benötigen Sie höchstwahrscheinlich. Bei mir gibt es jedoch eine Fehlermeldung, wenn ich sie weglasse.
data<-read.csv("https://bag-files.opendata.swiss/owncloud/index.php/s/83Vtexg1buoOk6M", sep=";",encoding="UTF-8",fileEncoding="latin1") Schauen Sie sich das Fenster oben rechts an, Sie sehen jetzt die Daten, die wir data genannt haben.
Wenn wir mit dem Cursor auf die Daten zeigen, können wir sehen, dass es sich um ein data.frame handelt.
Wollen Sie den Namen ändern? Wir können den Namen eines Objekts nicht ändern, aber wir können eine Kopie erstellen und dann die Originaldaten löschen.
Beachten Sie bitte die Kommentare im Code-Chunk (Befehlsabschnitt). Warum zum Henker schreibt der Autor diese auf Englisch? Die Chance ist gross, dass Sie irgendeinmal Hilfe brauchen mit ihren Skripten und Sie finden einfacher Hilfe, wenn alles auf Englisch ist.
Deswegen lohnt es sich, alles im Skript auf Englisch zu schreiben, inklusive Variablennamen und Kommentare.
health_insurance_premiums<-data # now we made a copy
health_pr_data<-data # a second copy
hip<-data #and an another copy...
d.f<-hip # and another one
data_fram_hip<- d.f # and another one
rm(hip) # now we delete one copy Speichernn wir den Datenrahmen mit dem Namen health_pr_data in eine csv-Datei auf unserem Computer. Falls wir ein Projekt definiert haben (was wir eigentlich immer sollten), so speichert der Befehl die Datei dort. Sonst im aktuellen Working-Directory.
write.csv(data, "health_insurance_premiums_2018_base.csv")Jetzt wollen wir versuchen, mehr als ein Objekt auf einmal zu entfernen. Ich weiß nicht, wie das funktioniert, daher google ich… mehrere Objekte entfernen R und ich finde folgende Seite auf Stackoverflow (was immer ein guter Start ist): https://stackoverflow.com/questions/11624885/remove-multiple-objects-with-rm
rm(list=c(health_insurance_premiums, data)) # Wir können mehr als ein Objekt auf einmal entfernen.## Error in rm(list = c(health_insurance_premiums, data)): invalid first argumentWartet, das ging schief… was ging schief? ah, ok ich habe vergessen, “” um den Namen herum zu setzen. Das ist wirklich ein Problem mit R, zu wissen, wann man “” einfügt und wann nicht…
rm(list=c("health_insurance_premiums", "data")) Jetzt hat es geklappt…
rm(health_insurance_premiums_2018,d.f) # aber es hätte auch einen einfacheren Weg gegeben (dies nur, um Ihnen zu zeigen, dass es oft mehr als eine Lösung gibt)## Warning in rm(health_insurance_premiums_2018, d.f): object
## 'health_insurance_premiums_2018' not foundAchten Sie auf diesen Code (Er löscht alles, was Sie in Ihrer Umgebung (im “Speicher”) im oberen rechten Fenster haben: * Wahrscheinlich sollten Sie folgenden Code nie in einem Skript in die Welt setzen - andere könnten sauer sein, wenn Sie alles löschen.
rm(list = ls())Jetzt haben Sie alles gelöscht. Aber die Philosophie von R ist, dass dies kein Problem sein sollte, denn alles, was in der Umgebung ist, sollte mit Ihrem Skript reproduzierbar sein. Man speichert also besser seine Skripte und nicht die Umgebung.
Wir haben jetzt alles gelöscht, aber kein Problem, wir können jetzt einfach die csv lesen, die wir auf unserem Computer gespeichert haben.
health_insurance_premiums_2018<-read.csv("health_insurance_premiums_2018_base.csv")Wir sehen jetzt, dass dieser Datenrahmen 18 Spalten (18 Variablen) hat. Was ist schief gelaufen? Nichts, aber write.csv speichert die Zeilennummern (oder Zeilennamen) in einer Variable/Spalten.
health_pr_data<-health_insurance_premiums_2018
str(health_pr_data) # we look at the structure of the data with the base command str(data), where data= the name of the data. ## 'data.frame': 273628 obs. of 18 variables:
## $ X : int 1 2 3 4 5 6 7 8 9 10 ...
## $ Versicherer : int 8 8 8 8 8 8 8 8 8 8 ...
## $ Kanton : chr "AG" "AG" "AG" "AG" ...
## $ Hoheitsgebiet : chr "CH" "CH" "CH" "CH" ...
## $ Geschäftsjahr : int 2023 2023 2023 2023 2023 2023 2023 2023 2023 2023 ...
## $ Erhebungsjahr : int 2022 2022 2022 2022 2022 2022 2022 2022 2022 2022 ...
## $ Region : chr "PR-REG CH0" "PR-REG CH0" "PR-REG CH0" "PR-REG CH0" ...
## $ Altersklasse : chr "AKL-KIN" "AKL-KIN" "AKL-KIN" "AKL-KIN" ...
## $ Unfalleinschluss : chr "MIT-UNF" "MIT-UNF" "MIT-UNF" "MIT-UNF" ...
## $ Tarif : chr "01_016_14" "01_016_14" "01_016_14" "01_016_14" ...
## $ Tariftyp : chr "TAR-HAM" "TAR-HAM" "TAR-HAM" "TAR-HAM" ...
## $ Altersuntergruppe: chr "K1" "K1" "K1" "K1" ...
## $ Franchisestufe : chr "FRAST1" "FRAST2" "FRAST3" "FRAST4" ...
## $ Franchise : chr "FRA-0" "FRA-100" "FRA-200" "FRA-300" ...
## $ Prämie : num 92.2 86.4 80.6 74.7 68.9 ...
## $ isBaseP : int 0 0 0 0 0 0 0 0 0 0 ...
## $ isBaseF : int 1 0 0 0 0 0 1 0 0 0 ...
## $ Tarifbezeichnung : chr "Gesundheitspraxisversicherung T3" "Gesundheitspraxisversicherung T3" "Gesundheitspraxisversicherung T3" "Gesundheitspraxisversicherung T3" ... head(health_pr_data)## X Versicherer Kanton Hoheitsgebiet Geschäftsjahr Erhebungsjahr Region
## 1 1 8 AG CH 2023 2022 PR-REG CH0
## 2 2 8 AG CH 2023 2022 PR-REG CH0
## 3 3 8 AG CH 2023 2022 PR-REG CH0
## 4 4 8 AG CH 2023 2022 PR-REG CH0
## 5 5 8 AG CH 2023 2022 PR-REG CH0
## 6 6 8 AG CH 2023 2022 PR-REG CH0
## Altersklasse Unfalleinschluss Tarif Tariftyp Altersuntergruppe
## 1 AKL-KIN MIT-UNF 01_016_14 TAR-HAM K1
## 2 AKL-KIN MIT-UNF 01_016_14 TAR-HAM K1
## 3 AKL-KIN MIT-UNF 01_016_14 TAR-HAM K1
## 4 AKL-KIN MIT-UNF 01_016_14 TAR-HAM K1
## 5 AKL-KIN MIT-UNF 01_016_14 TAR-HAM K1
## 6 AKL-KIN MIT-UNF 01_016_14 TAR-HAM K1
## Franchisestufe Franchise Prämie isBaseP isBaseF
## 1 FRAST1 FRA-0 92.2 0 1
## 2 FRAST2 FRA-100 86.4 0 0
## 3 FRAST3 FRA-200 80.6 0 0
## 4 FRAST4 FRA-300 74.7 0 0
## 5 FRAST5 FRA-400 68.9 0 0
## 6 FRAST7 FRA-600 57.2 0 0
## Tarifbezeichnung
## 1 Gesundheitspraxisversicherung T3
## 2 Gesundheitspraxisversicherung T3
## 3 Gesundheitspraxisversicherung T3
## 4 Gesundheitspraxisversicherung T3
## 5 Gesundheitspraxisversicherung T3
## 6 Gesundheitspraxisversicherung T3 tail(health_pr_data)## X Versicherer Kanton Hoheitsgebiet Geschäftsjahr Erhebungsjahr
## 273623 273623 1570 ZH CH 2023 2022
## 273624 273624 1570 ZH CH 2023 2022
## 273625 273625 1570 ZH CH 2023 2022
## 273626 273626 1570 ZH CH 2023 2022
## 273627 273627 1570 ZH CH 2023 2022
## 273628 273628 1570 ZH CH 2023 2022
## Region Altersklasse Unfalleinschluss Tarif Tariftyp
## 273623 PR-REG CH3 AKL-ERW OHN-UNF TDO TAR-DIV
## 273624 PR-REG CH3 AKL-ERW OHN-UNF TDO TAR-DIV
## 273625 PR-REG CH3 AKL-ERW OHN-UNF TDO TAR-DIV
## 273626 PR-REG CH3 AKL-ERW OHN-UNF TDO TAR-DIV
## 273627 PR-REG CH3 AKL-ERW OHN-UNF TDO TAR-DIV
## 273628 PR-REG CH3 AKL-ERW OHN-UNF TDO TAR-DIV
## Altersuntergruppe Franchisestufe Franchise Prämie isBaseP isBaseF
## 273623 FRAST1 FRA-300 430.7 0 1
## 273624 FRAST2 FRA-500 419.8 0 0
## 273625 FRAST3 FRA-1000 392.5 0 0
## 273626 FRAST4 FRA-1500 365.3 0 0
## 273627 FRAST5 FRA-2000 338.0 0 0
## 273628 FRAST6 FRA-2500 310.8 0 0
## Tarifbezeichnung
## 273623 Tel Doc
## 273624 Tel Doc
## 273625 Tel Doc
## 273626 Tel Doc
## 273627 Tel Doc
## 273628 Tel Doc- Es gibt zwei Varianten von write.csv: write.csv und write.csv2, der Unterschied wird hier erklärt.
- write.csv –> write.csv() benutzt “.” für die Dezimalstellen und ein Komma (“,”) um die Zellen (Werte) in der Datei zu trennen.
- write csv2 –> write.csv2() benutzt ein Komma (“,”) für die Dezimalstellen und ein Semikolon (“;”) um die Zellen (Werte) zu trennen.
54.3 Variante mit dem Paket rio
Wir haben das Paket rio bereits zu Beginn installiert, aber wir installieren es noch einmal, nur um zu üben, wie man Pakete installiert:
library(rio) # You will probably see a message that additional packages are needed, that's why we install it againg with the option: dep = TRUE
install.packages(rio, dep=TRUE) # with this code, you will see an error message. Guess why. ## Error in install.packages(rio, dep = TRUE): object 'rio' not found#correct installing: (you need to put " around the package name)
install.packages("rio", dep=TRUE) # the dep=TRUE part will also install packages that are required ## Warning: package 'rio' is in use and will not be installed# See more on rio https://cran.r-project.org/web/packages/rio/vignettes/rio.html
data_from_rio<-rio::import("https://bag-files.opendata.swiss/owncloud/index.php/s/83Vtexg1buoOk6M") ## putting the rio:: in front of the command (import) tells R from which package to take the command. Important if several commands with same name
data_from_rio<-import("https://bag-files.opendata.swiss/owncloud/index.php/s/83Vtexg1buoOk6M") # does also work
# The command returns an error, but it still works (at least last week at home ;)) And it is way faster than with read.csv
# Now we save it to our computer as a csv file
rio::export(data_from_rio, "health_insurance_premiums_2018_rio.csv")54.4 Variante mit dem readr Paket
- Bemerkung: da es hier das Trennzeichen zwischen den Zellen kein Komma ist, sondern ein Semikolon (Strichpunkt), müssen wir read_csv2 benutzen.
library(readr)
data_read_csv<-read_csv2("https://bag-files.opendata.swiss/owncloud/index.php/s/83Vtexg1buoOk6M",locale = locale(encoding='latin1'))## ℹ Using "','" as decimal and "'.'" as grouping mark. Use `read_delim()` for more control.## Rows: 273628 Columns: 17
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ";"
## chr (12): Versicherer, Kanton, Hoheitsgebiet, Region, Altersklasse, Unfallei...
## dbl (4): Geschäftsjahr, Erhebungsjahr, isBaseP, isBaseF
## num (1): Prämie
##
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.Wir speichern es auf unserem Computer:
write_csv(data_read_csv,"health_insurance_premiums_2018_write_csv.csv")54.5 Wir möchten nun untersuchen, welche Methode schneller ist
# install.packages("microbenchmark") # https://www.r-bloggers.com/5-ways-to-measure-running-time-of-r-code/ or https://www.rdocumentation.org/packages/microbenchmark/versions/1.4-7/topics/microbenchmark
library(microbenchmark)
measure_import_data<-microbenchmark( data_base<-read.csv("https://bag-files.opendata.swiss/owncloud/index.php/s/83Vtexg1buoOk6M",sep=";",encoding="UTF-8",fileEncoding="latin1"),
data_rio<-rio::import("https://bag-files.opendata.swiss/owncloud/index.php/s/83Vtexg1buoOk6M"),
data_readr<-read_csv2("https://bag-files.opendata.swiss/owncloud/index.php/s/83Vtexg1buoOk6M",locale = locale(encoding='latin1')), times=1)## ℹ Using "','" as decimal and "'.'" as grouping mark. Use `read_delim()` for more control.## Rows: 273628 Columns: 17
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ";"
## chr (12): Versicherer, Kanton, Hoheitsgebiet, Region, Altersklasse, Unfallei...
## dbl (4): Geschäftsjahr, Erhebungsjahr, isBaseP, isBaseF
## num (1): Prämie
##
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message. library(ggplot2)
measure_import_data$times<-1000*(measure_import_data$time)
print(measure_import_data)## Unit: seconds
## expr
## data_base <- read.csv("https://bag-files.opendata.swiss/owncloud/index.php/s/83Vtexg1buoOk6M", sep = ";", encoding = "UTF-8", fileEncoding = "latin1")
## data_rio <- rio::import("https://bag-files.opendata.swiss/owncloud/index.php/s/83Vtexg1buoOk6M")
## data_readr <- read_csv2("https://bag-files.opendata.swiss/owncloud/index.php/s/83Vtexg1buoOk6M", locale = locale(encoding = "latin1"))
## min lq mean median uq max neval
## 11.631327 11.631327 11.631327 11.631327 11.631327 11.631327 1
## 9.986085 9.986085 9.986085 9.986085 9.986085 9.986085 1
## 16.785027 16.785027 16.785027 16.785027 16.785027 16.785027 154.6 Rio ist der Favorit
Wie einleitend schon gesagt, ist das Paket rio meistens die einfachste Lösung.
Hier unten ein paar Beispiele, wie man rio benutzt, um Daten anderer Statistikprogramme zu importieren.
54.6.1 Import von SPSS
#############################################
### Import data in SPSS format ### http://www.unige.ch/ses/sococ/visual/data/world.html
#############################################
#from the web
world_data_spss<-import("http://www.unige.ch/ses/sococ/visual/data/world.sav") # you see the extension .sav, this indicates that it is a spss data file
# save as csv
rio::export(world_data_spss, "world_data.csv")
from_csv<-import("world_data.csv")
skimr::skim(from_csv)| Name | from_csv |
| Number of rows | 183 |
| Number of columns | 25 |
| _______________________ | |
| Column type frequency: | |
| character | 1 |
| numeric | 24 |
| ________________________ | |
| Group variables | None |
Variable type: character
| skim_variable | n_missing | complete_rate | min | max | empty | n_unique | whitespace |
|---|---|---|---|---|---|---|---|
| country | 0 | 1 | 1 | 4 | 0 | 181 | 0 |
Variable type: numeric
| skim_variable | n_missing | complete_rate | mean | sd | p0 | p25 | p50 | p75 | p100 | hist |
|---|---|---|---|---|---|---|---|---|---|---|
| continent | 0 | 1 | 2.86 | 1.54 | 1.0 | 2.00 | 2.0 | 4.0 | 6.0 | ▇▂▃▁▁ |
| area | 0 | 1 | 614756.45 | 1540788.47 | 2.0 | 11732.50 | 112622.0 | 509375.0 | 9976139.0 | ▇▁▁▁▁ |
| pop92 | 0 | 1 | 28141546.62 | 111472243.61 | 2000.0 | 472000.00 | 4991000.0 | 17590000.0 | 1169911040.0 | ▇▁▁▁▁ |
| pop93 | 0 | 1 | 28646655.68 | 113353590.76 | 2000.0 | 483000.00 | 5081000.0 | 18025000.0 | 1188628990.0 | ▇▁▁▁▁ |
| pgrow | 0 | 1 | 2.03 | 1.29 | -0.4 | 0.95 | 2.1 | 3.0 | 6.3 | ▅▆▇▁▁ |
| urb | 0 | 1 | 50.26 | 25.43 | 5.0 | 27.50 | 50.0 | 71.5 | 100.0 | ▇▇▇▆▅ |
| lifeem | 0 | 1 | 63.24 | 9.70 | 39.0 | 54.50 | 66.0 | 71.5 | 77.0 | ▂▅▂▇▇ |
| lifeef | 0 | 1 | 68.03 | 10.97 | 41.0 | 58.50 | 71.0 | 77.0 | 84.0 | ▂▅▂▇▇ |
| birthr | 0 | 1 | 29.60 | 12.71 | 7.0 | 18.00 | 28.0 | 42.0 | 52.0 | ▇▆▇▆▇ |
| deathr | 0 | 1 | 9.39 | 4.43 | 2.0 | 6.00 | 8.0 | 12.0 | 23.0 | ▆▇▃▃▁ |
| infmor | 0 | 1 | 51.79 | 44.03 | 4.0 | 13.00 | 38.0 | 85.5 | 177.0 | ▇▃▂▂▁ |
| nhosp | 0 | 1 | 1235.26 | 5451.07 | 1.0 | 21.50 | 111.0 | 509.5 | 60429.0 | ▇▁▁▁▁ |
| pophos | 0 | 1 | 56267.86 | 111728.68 | 1125.0 | 15720.50 | 35644.0 | 58246.0 | 1280500.0 | ▇▁▁▁▁ |
| nhbeds | 0 | 1 | 76727.21 | 263919.61 | 28.0 | 1602.00 | 7776.0 | 41576.0 | 2568000.0 | ▇▁▁▁▁ |
| phbed | 0 | 1 | 612.70 | 698.13 | 43.0 | 184.50 | 390.0 | 762.0 | 4668.0 | ▇▁▁▁▁ |
| doct | 0 | 1 | 28126.53 | 124419.64 | 3.0 | 172.00 | 1103.0 | 13488.5 | 1482000.0 | ▇▁▁▁▁ |
| popdoc | 0 | 1 | 6717.36 | 11487.62 | 236.0 | 707.00 | 1592.0 | 7129.5 | 75800.0 | ▇▁▁▁▁ |
| gnp91 | 0 | 1 | 106243.57 | 498420.23 | 5.0 | 1128.00 | 4305.0 | 35229.5 | 5567478.0 | ▇▁▁▁▁ |
| gnpgrow | 0 | 1 | 2.85 | 3.84 | -6.0 | 0.70 | 2.3 | 4.3 | 21.0 | ▁▇▂▁▁ |
| gnpcap | 0 | 1 | 5088.28 | 7541.18 | 71.0 | 479.50 | 1622.0 | 6491.5 | 50000.0 | ▇▁▁▁▁ |
| gnpagr | 0 | 1 | 19.53 | 16.86 | 0.0 | 5.00 | 16.0 | 30.0 | 76.0 | ▇▅▂▁▁ |
| gnpind | 0 | 1 | 29.50 | 14.37 | 5.0 | 19.00 | 28.0 | 36.0 | 93.0 | ▆▇▂▁▁ |
| gnpserv | 0 | 1 | 50.97 | 16.40 | 2.0 | 41.00 | 52.0 | 61.5 | 88.0 | ▁▂▇▆▂ |
| lit | 0 | 1 | 73.67 | 24.76 | 15.0 | 54.00 | 82.0 | 95.5 | 100.0 | ▂▂▂▂▇ |
# now you see that the variable labels are lost. If we want to keep the variable labels, we can save the data as .RData
rio::export(world_data_spss,"world_data.RData")
from_RData<-import("world_data.RData")
skimr::skim(from_RData)| Name | from_RData |
| Number of rows | 183 |
| Number of columns | 25 |
| _______________________ | |
| Column type frequency: | |
| character | 1 |
| numeric | 24 |
| ________________________ | |
| Group variables | None |
Variable type: character
| skim_variable | n_missing | complete_rate | min | max | empty | n_unique | whitespace |
|---|---|---|---|---|---|---|---|
| country | 0 | 1 | 1 | 4 | 0 | 181 | 0 |
Variable type: numeric
| skim_variable | n_missing | complete_rate | mean | sd | p0 | p25 | p50 | p75 | p100 | hist |
|---|---|---|---|---|---|---|---|---|---|---|
| continent | 0 | 1 | 2.86 | 1.54 | 1.0 | 2.00 | 2.0 | 4.0 | 6.0 | ▇▂▃▁▁ |
| area | 0 | 1 | 614756.45 | 1540788.47 | 2.0 | 11732.50 | 112622.0 | 509375.0 | 9976139.0 | ▇▁▁▁▁ |
| pop92 | 0 | 1 | 28141546.62 | 111472243.61 | 2000.0 | 472000.00 | 4991000.0 | 17590000.0 | 1169911040.0 | ▇▁▁▁▁ |
| pop93 | 0 | 1 | 28646655.68 | 113353590.76 | 2000.0 | 483000.00 | 5081000.0 | 18025000.0 | 1188628990.0 | ▇▁▁▁▁ |
| pgrow | 0 | 1 | 2.03 | 1.29 | -0.4 | 0.95 | 2.1 | 3.0 | 6.3 | ▅▆▇▁▁ |
| urb | 0 | 1 | 50.26 | 25.43 | 5.0 | 27.50 | 50.0 | 71.5 | 100.0 | ▇▇▇▆▅ |
| lifeem | 0 | 1 | 63.24 | 9.70 | 39.0 | 54.50 | 66.0 | 71.5 | 77.0 | ▂▅▂▇▇ |
| lifeef | 0 | 1 | 68.03 | 10.97 | 41.0 | 58.50 | 71.0 | 77.0 | 84.0 | ▂▅▂▇▇ |
| birthr | 0 | 1 | 29.60 | 12.71 | 7.0 | 18.00 | 28.0 | 42.0 | 52.0 | ▇▆▇▆▇ |
| deathr | 0 | 1 | 9.39 | 4.43 | 2.0 | 6.00 | 8.0 | 12.0 | 23.0 | ▆▇▃▃▁ |
| infmor | 0 | 1 | 51.79 | 44.03 | 4.0 | 13.00 | 38.0 | 85.5 | 177.0 | ▇▃▂▂▁ |
| nhosp | 0 | 1 | 1235.26 | 5451.07 | 1.0 | 21.50 | 111.0 | 509.5 | 60429.0 | ▇▁▁▁▁ |
| pophos | 0 | 1 | 56267.86 | 111728.68 | 1125.0 | 15720.50 | 35644.0 | 58246.0 | 1280500.0 | ▇▁▁▁▁ |
| nhbeds | 0 | 1 | 76727.21 | 263919.61 | 28.0 | 1602.00 | 7776.0 | 41576.0 | 2568000.0 | ▇▁▁▁▁ |
| phbed | 0 | 1 | 612.70 | 698.13 | 43.0 | 184.50 | 390.0 | 762.0 | 4668.0 | ▇▁▁▁▁ |
| doct | 0 | 1 | 28126.53 | 124419.64 | 3.0 | 172.00 | 1103.0 | 13488.5 | 1482000.0 | ▇▁▁▁▁ |
| popdoc | 0 | 1 | 6717.36 | 11487.62 | 236.0 | 707.00 | 1592.0 | 7129.5 | 75800.0 | ▇▁▁▁▁ |
| gnp91 | 0 | 1 | 106243.57 | 498420.23 | 5.0 | 1128.00 | 4305.0 | 35229.5 | 5567478.0 | ▇▁▁▁▁ |
| gnpgrow | 0 | 1 | 2.85 | 3.84 | -6.0 | 0.70 | 2.3 | 4.3 | 21.0 | ▁▇▂▁▁ |
| gnpcap | 0 | 1 | 5088.28 | 7541.18 | 71.0 | 479.50 | 1622.0 | 6491.5 | 50000.0 | ▇▁▁▁▁ |
| gnpagr | 0 | 1 | 19.53 | 16.86 | 0.0 | 5.00 | 16.0 | 30.0 | 76.0 | ▇▅▂▁▁ |
| gnpind | 0 | 1 | 29.50 | 14.37 | 5.0 | 19.00 | 28.0 | 36.0 | 93.0 | ▆▇▂▁▁ |
| gnpserv | 0 | 1 | 50.97 | 16.40 | 2.0 | 41.00 | 52.0 | 61.5 | 88.0 | ▁▂▇▆▂ |
| lit | 0 | 1 | 73.67 | 24.76 | 15.0 | 54.00 | 82.0 | 95.5 | 100.0 | ▂▂▂▂▇ |
# now we see that the variable labels are still visible.54.6.2 Import von Stata
#############################################
### Import data in Stata format ### http://www.unige.ch/ses/sococ/visual/data/world.html
#############################################
# From the web
world_data_stata<-import("http://www.unige.ch/ses/sococ/visual/data/world.dta") # you see the extension .dta, this indicates that it is a stata data file
# Save as csv
rio::export(world_data_stata, "world_data.csv")
from_csv<-import("world_data.csv")
skimr::skim(from_csv) # now you see that the variable labels are lost. If we want to keep the variable labels, we can save the data as .RData| Name | from_csv |
| Number of rows | 183 |
| Number of columns | 25 |
| _______________________ | |
| Column type frequency: | |
| character | 1 |
| numeric | 24 |
| ________________________ | |
| Group variables | None |
Variable type: character
| skim_variable | n_missing | complete_rate | min | max | empty | n_unique | whitespace |
|---|---|---|---|---|---|---|---|
| country | 0 | 1 | 1 | 4 | 0 | 181 | 0 |
Variable type: numeric
| skim_variable | n_missing | complete_rate | mean | sd | p0 | p25 | p50 | p75 | p100 | hist |
|---|---|---|---|---|---|---|---|---|---|---|
| continent | 0 | 1 | 2.86 | 1.54 | 1.0 | 2.00 | 2.0 | 4.0 | 6.0 | ▇▂▃▁▁ |
| area | 0 | 1 | 614756.45 | 1540788.47 | 2.0 | 11732.50 | 112622.0 | 509375.0 | 9976139.0 | ▇▁▁▁▁ |
| pop92 | 0 | 1 | 28141546.62 | 111472243.61 | 2000.0 | 472000.00 | 4991000.0 | 17590000.0 | 1169911040.0 | ▇▁▁▁▁ |
| pop93 | 0 | 1 | 28646655.68 | 113353590.76 | 2000.0 | 483000.00 | 5081000.0 | 18025000.0 | 1188628990.0 | ▇▁▁▁▁ |
| pgrow | 0 | 1 | 2.03 | 1.29 | -0.4 | 0.95 | 2.1 | 3.0 | 6.3 | ▅▆▇▁▁ |
| urb | 0 | 1 | 50.26 | 25.43 | 5.0 | 27.50 | 50.0 | 71.5 | 100.0 | ▇▇▇▆▅ |
| lifeem | 0 | 1 | 63.24 | 9.70 | 39.0 | 54.50 | 66.0 | 71.5 | 77.0 | ▂▅▂▇▇ |
| lifeef | 0 | 1 | 68.03 | 10.97 | 41.0 | 58.50 | 71.0 | 77.0 | 84.0 | ▂▅▂▇▇ |
| birthr | 0 | 1 | 29.60 | 12.71 | 7.0 | 18.00 | 28.0 | 42.0 | 52.0 | ▇▆▇▆▇ |
| deathr | 0 | 1 | 9.39 | 4.43 | 2.0 | 6.00 | 8.0 | 12.0 | 23.0 | ▆▇▃▃▁ |
| infmor | 0 | 1 | 51.79 | 44.03 | 4.0 | 13.00 | 38.0 | 85.5 | 177.0 | ▇▃▂▂▁ |
| nhosp | 0 | 1 | 1235.26 | 5451.07 | 1.0 | 21.50 | 111.0 | 509.5 | 60429.0 | ▇▁▁▁▁ |
| pophos | 0 | 1 | 56267.86 | 111728.68 | 1125.0 | 15720.50 | 35644.0 | 58246.0 | 1280500.0 | ▇▁▁▁▁ |
| nhbeds | 0 | 1 | 76727.21 | 263919.61 | 28.0 | 1602.00 | 7776.0 | 41576.0 | 2568000.0 | ▇▁▁▁▁ |
| phbed | 0 | 1 | 612.70 | 698.13 | 43.0 | 184.50 | 390.0 | 762.0 | 4668.0 | ▇▁▁▁▁ |
| doct | 0 | 1 | 28126.53 | 124419.64 | 3.0 | 172.00 | 1103.0 | 13488.5 | 1482000.0 | ▇▁▁▁▁ |
| popdoc | 0 | 1 | 6717.36 | 11487.62 | 236.0 | 707.00 | 1592.0 | 7129.5 | 75800.0 | ▇▁▁▁▁ |
| gnp91 | 0 | 1 | 106243.57 | 498420.23 | 5.0 | 1128.00 | 4305.0 | 35229.5 | 5567478.0 | ▇▁▁▁▁ |
| gnpgrow | 0 | 1 | 2.85 | 3.84 | -6.0 | 0.70 | 2.3 | 4.3 | 21.0 | ▁▇▂▁▁ |
| gnpcap | 0 | 1 | 5088.28 | 7541.18 | 71.0 | 479.50 | 1622.0 | 6491.5 | 50000.0 | ▇▁▁▁▁ |
| gnpagr | 0 | 1 | 19.53 | 16.86 | 0.0 | 5.00 | 16.0 | 30.0 | 76.0 | ▇▅▂▁▁ |
| gnpind | 0 | 1 | 29.50 | 14.37 | 5.0 | 19.00 | 28.0 | 36.0 | 93.0 | ▆▇▂▁▁ |
| gnpserv | 0 | 1 | 50.97 | 16.40 | 2.0 | 41.00 | 52.0 | 61.5 | 88.0 | ▁▂▇▆▂ |
| lit | 0 | 1 | 73.67 | 24.76 | 15.0 | 54.00 | 82.0 | 95.5 | 100.0 | ▂▂▂▂▇ |
rio::export(world_data_stata,"world_data.RData")
from_RData<-import("world_data.RData")
skimr::skim(from_RData) # now we see that the variable labels are still visible.| Name | from_RData |
| Number of rows | 183 |
| Number of columns | 25 |
| _______________________ | |
| Column type frequency: | |
| character | 1 |
| numeric | 24 |
| ________________________ | |
| Group variables | None |
Variable type: character
| skim_variable | n_missing | complete_rate | min | max | empty | n_unique | whitespace |
|---|---|---|---|---|---|---|---|
| country | 0 | 1 | 1 | 4 | 0 | 181 | 0 |
Variable type: numeric
| skim_variable | n_missing | complete_rate | mean | sd | p0 | p25 | p50 | p75 | p100 | hist |
|---|---|---|---|---|---|---|---|---|---|---|
| continent | 0 | 1 | 2.86 | 1.54 | 1.0 | 2.00 | 2.0 | 4.0 | 6.0 | ▇▂▃▁▁ |
| area | 0 | 1 | 614756.45 | 1540788.47 | 2.0 | 11732.50 | 112622.0 | 509375.0 | 9976139.0 | ▇▁▁▁▁ |
| pop92 | 0 | 1 | 28141546.62 | 111472243.61 | 2000.0 | 472000.00 | 4991000.0 | 17590000.0 | 1169911040.0 | ▇▁▁▁▁ |
| pop93 | 0 | 1 | 28646655.68 | 113353590.76 | 2000.0 | 483000.00 | 5081000.0 | 18025000.0 | 1188628990.0 | ▇▁▁▁▁ |
| pgrow | 0 | 1 | 2.03 | 1.29 | -0.4 | 0.95 | 2.1 | 3.0 | 6.3 | ▅▆▇▁▁ |
| urb | 0 | 1 | 50.26 | 25.43 | 5.0 | 27.50 | 50.0 | 71.5 | 100.0 | ▇▇▇▆▅ |
| lifeem | 0 | 1 | 63.24 | 9.70 | 39.0 | 54.50 | 66.0 | 71.5 | 77.0 | ▂▅▂▇▇ |
| lifeef | 0 | 1 | 68.03 | 10.97 | 41.0 | 58.50 | 71.0 | 77.0 | 84.0 | ▂▅▂▇▇ |
| birthr | 0 | 1 | 29.60 | 12.71 | 7.0 | 18.00 | 28.0 | 42.0 | 52.0 | ▇▆▇▆▇ |
| deathr | 0 | 1 | 9.39 | 4.43 | 2.0 | 6.00 | 8.0 | 12.0 | 23.0 | ▆▇▃▃▁ |
| infmor | 0 | 1 | 51.79 | 44.03 | 4.0 | 13.00 | 38.0 | 85.5 | 177.0 | ▇▃▂▂▁ |
| nhosp | 0 | 1 | 1235.26 | 5451.07 | 1.0 | 21.50 | 111.0 | 509.5 | 60429.0 | ▇▁▁▁▁ |
| pophos | 0 | 1 | 56267.86 | 111728.68 | 1125.0 | 15720.50 | 35644.0 | 58246.0 | 1280500.0 | ▇▁▁▁▁ |
| nhbeds | 0 | 1 | 76727.21 | 263919.61 | 28.0 | 1602.00 | 7776.0 | 41576.0 | 2568000.0 | ▇▁▁▁▁ |
| phbed | 0 | 1 | 612.70 | 698.13 | 43.0 | 184.50 | 390.0 | 762.0 | 4668.0 | ▇▁▁▁▁ |
| doct | 0 | 1 | 28126.53 | 124419.64 | 3.0 | 172.00 | 1103.0 | 13488.5 | 1482000.0 | ▇▁▁▁▁ |
| popdoc | 0 | 1 | 6717.36 | 11487.62 | 236.0 | 707.00 | 1592.0 | 7129.5 | 75800.0 | ▇▁▁▁▁ |
| gnp91 | 0 | 1 | 106243.57 | 498420.23 | 5.0 | 1128.00 | 4305.0 | 35229.5 | 5567478.0 | ▇▁▁▁▁ |
| gnpgrow | 0 | 1 | 2.85 | 3.84 | -6.0 | 0.70 | 2.3 | 4.3 | 21.0 | ▁▇▂▁▁ |
| gnpcap | 0 | 1 | 5088.28 | 7541.18 | 71.0 | 479.50 | 1622.0 | 6491.5 | 50000.0 | ▇▁▁▁▁ |
| gnpagr | 0 | 1 | 19.53 | 16.86 | 0.0 | 5.00 | 16.0 | 30.0 | 76.0 | ▇▅▂▁▁ |
| gnpind | 0 | 1 | 29.50 | 14.37 | 5.0 | 19.00 | 28.0 | 36.0 | 93.0 | ▆▇▂▁▁ |
| gnpserv | 0 | 1 | 50.97 | 16.40 | 2.0 | 41.00 | 52.0 | 61.5 | 88.0 | ▁▂▇▆▂ |
| lit | 0 | 1 | 73.67 | 24.76 | 15.0 | 54.00 | 82.0 | 95.5 | 100.0 | ▂▂▂▂▇ |
54.6.3 Import von Text Format
#############################################
### Import data in text format ### http://www.unige.ch/ses/sococ/visual/data/world.html
#############################################
# From the web
world_data_text<-import("http://www.unige.ch/ses/sococ/visual/data/world.txt") # you see the extension txt, this indicates that it is a tab delimited text data file
skimr::skim(world_data_text) # you see that text data files do not have variable labels. | Name | world_data_text |
| Number of rows | 183 |
| Number of columns | 25 |
| _______________________ | |
| Column type frequency: | |
| character | 2 |
| numeric | 23 |
| ________________________ | |
| Group variables | None |
Variable type: character
| skim_variable | n_missing | complete_rate | min | max | empty | n_unique | whitespace |
|---|---|---|---|---|---|---|---|
| country | 0 | 1 | 1 | 4 | 0 | 181 | 0 |
| continent | 0 | 1 | 4 | 7 | 0 | 6 | 0 |
Variable type: numeric
| skim_variable | n_missing | complete_rate | mean | sd | p0 | p25 | p50 | p75 | p100 | hist |
|---|---|---|---|---|---|---|---|---|---|---|
| area | 0 | 1 | 614756.45 | 1540788.47 | 2.0 | 11732.50 | 112622.0 | 509375.0 | 9976139.0 | ▇▁▁▁▁ |
| pop92 | 0 | 1 | 28141546.62 | 111472243.61 | 2000.0 | 472000.00 | 4991000.0 | 17590000.0 | 1169911040.0 | ▇▁▁▁▁ |
| pop93 | 0 | 1 | 28646655.68 | 113353590.76 | 2000.0 | 483000.00 | 5081000.0 | 18025000.0 | 1188628990.0 | ▇▁▁▁▁ |
| pgrow | 0 | 1 | 2.03 | 1.29 | -0.4 | 0.95 | 2.1 | 3.0 | 6.3 | ▅▆▇▁▁ |
| urb | 0 | 1 | 50.26 | 25.43 | 5.0 | 27.50 | 50.0 | 71.5 | 100.0 | ▇▇▇▆▅ |
| lifeem | 0 | 1 | 63.24 | 9.70 | 39.0 | 54.50 | 66.0 | 71.5 | 77.0 | ▂▅▂▇▇ |
| lifeef | 0 | 1 | 68.03 | 10.97 | 41.0 | 58.50 | 71.0 | 77.0 | 84.0 | ▂▅▂▇▇ |
| birthr | 0 | 1 | 29.60 | 12.71 | 7.0 | 18.00 | 28.0 | 42.0 | 52.0 | ▇▆▇▆▇ |
| deathr | 0 | 1 | 9.39 | 4.43 | 2.0 | 6.00 | 8.0 | 12.0 | 23.0 | ▆▇▃▃▁ |
| infmor | 0 | 1 | 51.79 | 44.03 | 4.0 | 13.00 | 38.0 | 85.5 | 177.0 | ▇▃▂▂▁ |
| nhosp | 0 | 1 | 1235.26 | 5451.07 | 1.0 | 21.50 | 111.0 | 509.5 | 60429.0 | ▇▁▁▁▁ |
| pophos | 0 | 1 | 56267.86 | 111728.68 | 1125.0 | 15720.50 | 35644.0 | 58246.0 | 1280500.0 | ▇▁▁▁▁ |
| nhbeds | 0 | 1 | 76727.21 | 263919.61 | 28.0 | 1602.00 | 7776.0 | 41576.0 | 2568000.0 | ▇▁▁▁▁ |
| phbed | 0 | 1 | 612.70 | 698.13 | 43.0 | 184.50 | 390.0 | 762.0 | 4668.0 | ▇▁▁▁▁ |
| doct | 0 | 1 | 28126.53 | 124419.64 | 3.0 | 172.00 | 1103.0 | 13488.5 | 1482000.0 | ▇▁▁▁▁ |
| popdoc | 0 | 1 | 6717.36 | 11487.62 | 236.0 | 707.00 | 1592.0 | 7129.5 | 75800.0 | ▇▁▁▁▁ |
| gnp91 | 0 | 1 | 106243.57 | 498420.23 | 5.0 | 1128.00 | 4305.0 | 35229.5 | 5567478.0 | ▇▁▁▁▁ |
| gnpgrow | 0 | 1 | 2.85 | 3.84 | -6.0 | 0.70 | 2.3 | 4.3 | 21.0 | ▁▇▂▁▁ |
| gnpcap | 0 | 1 | 5088.28 | 7541.18 | 71.0 | 479.50 | 1622.0 | 6491.5 | 50000.0 | ▇▁▁▁▁ |
| gnpagr | 0 | 1 | 19.53 | 16.86 | 0.0 | 5.00 | 16.0 | 30.0 | 76.0 | ▇▅▂▁▁ |
| gnpind | 0 | 1 | 29.50 | 14.37 | 5.0 | 19.00 | 28.0 | 36.0 | 93.0 | ▆▇▂▁▁ |
| gnpserv | 0 | 1 | 50.97 | 16.40 | 2.0 | 41.00 | 52.0 | 61.5 | 88.0 | ▁▂▇▆▂ |
| lit | 0 | 1 | 73.67 | 24.76 | 15.0 | 54.00 | 82.0 | 95.5 | 100.0 | ▂▂▂▂▇ |
# Save as csv
rio::export(world_data_text, "world_data.csv")
from_csv<-import("world_data.csv")
skimr::skim(from_csv) #| Name | from_csv |
| Number of rows | 183 |
| Number of columns | 25 |
| _______________________ | |
| Column type frequency: | |
| character | 2 |
| numeric | 23 |
| ________________________ | |
| Group variables | None |
Variable type: character
| skim_variable | n_missing | complete_rate | min | max | empty | n_unique | whitespace |
|---|---|---|---|---|---|---|---|
| country | 0 | 1 | 1 | 4 | 0 | 181 | 0 |
| continent | 0 | 1 | 4 | 7 | 0 | 6 | 0 |
Variable type: numeric
| skim_variable | n_missing | complete_rate | mean | sd | p0 | p25 | p50 | p75 | p100 | hist |
|---|---|---|---|---|---|---|---|---|---|---|
| area | 0 | 1 | 614756.45 | 1540788.47 | 2.0 | 11732.50 | 112622.0 | 509375.0 | 9976139.0 | ▇▁▁▁▁ |
| pop92 | 0 | 1 | 28141546.62 | 111472243.61 | 2000.0 | 472000.00 | 4991000.0 | 17590000.0 | 1169911040.0 | ▇▁▁▁▁ |
| pop93 | 0 | 1 | 28646655.68 | 113353590.76 | 2000.0 | 483000.00 | 5081000.0 | 18025000.0 | 1188628990.0 | ▇▁▁▁▁ |
| pgrow | 0 | 1 | 2.03 | 1.29 | -0.4 | 0.95 | 2.1 | 3.0 | 6.3 | ▅▆▇▁▁ |
| urb | 0 | 1 | 50.26 | 25.43 | 5.0 | 27.50 | 50.0 | 71.5 | 100.0 | ▇▇▇▆▅ |
| lifeem | 0 | 1 | 63.24 | 9.70 | 39.0 | 54.50 | 66.0 | 71.5 | 77.0 | ▂▅▂▇▇ |
| lifeef | 0 | 1 | 68.03 | 10.97 | 41.0 | 58.50 | 71.0 | 77.0 | 84.0 | ▂▅▂▇▇ |
| birthr | 0 | 1 | 29.60 | 12.71 | 7.0 | 18.00 | 28.0 | 42.0 | 52.0 | ▇▆▇▆▇ |
| deathr | 0 | 1 | 9.39 | 4.43 | 2.0 | 6.00 | 8.0 | 12.0 | 23.0 | ▆▇▃▃▁ |
| infmor | 0 | 1 | 51.79 | 44.03 | 4.0 | 13.00 | 38.0 | 85.5 | 177.0 | ▇▃▂▂▁ |
| nhosp | 0 | 1 | 1235.26 | 5451.07 | 1.0 | 21.50 | 111.0 | 509.5 | 60429.0 | ▇▁▁▁▁ |
| pophos | 0 | 1 | 56267.86 | 111728.68 | 1125.0 | 15720.50 | 35644.0 | 58246.0 | 1280500.0 | ▇▁▁▁▁ |
| nhbeds | 0 | 1 | 76727.21 | 263919.61 | 28.0 | 1602.00 | 7776.0 | 41576.0 | 2568000.0 | ▇▁▁▁▁ |
| phbed | 0 | 1 | 612.70 | 698.13 | 43.0 | 184.50 | 390.0 | 762.0 | 4668.0 | ▇▁▁▁▁ |
| doct | 0 | 1 | 28126.53 | 124419.64 | 3.0 | 172.00 | 1103.0 | 13488.5 | 1482000.0 | ▇▁▁▁▁ |
| popdoc | 0 | 1 | 6717.36 | 11487.62 | 236.0 | 707.00 | 1592.0 | 7129.5 | 75800.0 | ▇▁▁▁▁ |
| gnp91 | 0 | 1 | 106243.57 | 498420.23 | 5.0 | 1128.00 | 4305.0 | 35229.5 | 5567478.0 | ▇▁▁▁▁ |
| gnpgrow | 0 | 1 | 2.85 | 3.84 | -6.0 | 0.70 | 2.3 | 4.3 | 21.0 | ▁▇▂▁▁ |
| gnpcap | 0 | 1 | 5088.28 | 7541.18 | 71.0 | 479.50 | 1622.0 | 6491.5 | 50000.0 | ▇▁▁▁▁ |
| gnpagr | 0 | 1 | 19.53 | 16.86 | 0.0 | 5.00 | 16.0 | 30.0 | 76.0 | ▇▅▂▁▁ |
| gnpind | 0 | 1 | 29.50 | 14.37 | 5.0 | 19.00 | 28.0 | 36.0 | 93.0 | ▆▇▂▁▁ |
| gnpserv | 0 | 1 | 50.97 | 16.40 | 2.0 | 41.00 | 52.0 | 61.5 | 88.0 | ▁▂▇▆▂ |
| lit | 0 | 1 | 73.67 | 24.76 | 15.0 | 54.00 | 82.0 | 95.5 | 100.0 | ▂▂▂▂▇ |
54.6.4 Import von Stata und speichern als SPSS
#############################################
### Import stata save as spss ### https://cran.r-project.org/web/packages/rio/vignettes/rio.html
#############################################
world_data_stata<-import("http://www.unige.ch/ses/sococ/visual/data/world.dta") # you see the extension .dta, this indicates that it is a stata data file
rio::export(world_data_stata, "world_data.sav")
## we could do this even easier with the rio package command convert: https://cran.r-project.org/web/packages/rio/vignettes/rio.html
convert("http://www.unige.ch/ses/sococ/visual/data/world.dta", "world_data.sav")54.6.5 Import von Excel - auch hier: benutzt rio
# same with excel
data_from_excel_with_readxl<-readxl::read_excel("éducation_façon_de_parler_Übungen.xlsx")
head(data_from_excel_with_readxl)## # A tibble: 3 × 2
## Désignation Langage
## <chr> <chr>
## 1 écureils français
## 2 Eichhörnchen allemande
## 3 Squirrel anglais data_from_excel_rio<-rio::import("éducation_façon_de_parler_Übungen.xlsx")
head(data_from_excel_rio)## Désignation Langage
## 1 écureils français
## 2 Eichhörnchen allemande
## 3 Squirrel anglais54.6.6 Speichern und Laden des Workspace
################################################
### save and load the workspace ###
################################################
we_can_save_the_workspace_easily<-1
but_remember<-"important"
you_should_be_able_to_reproduce_everything<-"with your script"
with_a_script<-"reproducible science"
save.image(file='mySession.RData')
rm(list=ls()) # remember, this is the dangerous command that wipes everything out. You should never use this in a script.
load('mySession.RData')54.7 Excel direkt in csv umwandeln
rio::convert("health_insurance_premiums_2018.xlsx", "health_insurance_premiums_2018.csv")54.8 Von csv in SPSS umwandeln
rio::convert("health_insurance_premiums_2018.csv", "Datensatz_SPSS.sav")SPSS mag keine Umlaute, da müssen wir ein paar Variablennamen ändern. Wir können dies mit dem Argument (Option) out_opts=list(.name_repair=“universal”) tun.
- Funktioniert bei mir nicht, ich haben jedoch noch nicht herausgefunden, warum es nicht funktioniert.
rio::convert("health_insurance_premiums_2018.csv", "Datensatz_SPSS.sav", out_opts=list(.name_repair = "universal"))## Error in haven::write_sav(data = x, path = file, ...): unused argument (.name_repair = "universal")Wir können die Umlaute manuell änern:
data<-rio::import("health_insurance_premiums_2018.csv")
names(data)<-str_replace(names(data), "ä","ae")
names(data)<-str_replace(names(data), "ä","ae")
rio::export(data, "Datensatz_SPSS.sav")54.9 Daten von SPSS Format in Stata Format umwandeln
rio::convert("Datensatz_SPSS.sav", "Datensatz_Stata.dta")# Excel einlesen
data<-rio::import("health_insurance_premiums_2018.xlsx")
# CSV einlesen
data_csv<-rio::import("health_insurance_premiums_2018.csv")
### Datei als Excel speichern
rio::export(data_csv, "Datensatz_als_Excel_gespeichert.xlsx")
## Datei als CSV speichern
rio::export(data, "Datensatz_als_csv_gespeichert.csv")54.10 Es kann vorkommen, dass mit rio::export RStudio konsequent abstürzt. Dann einfach readr::write(data, “Datensatz_als_csv_gespeichert.csv”) benutzen.
readr::write_csv(data, "Datensatz_als_csv_gespeichert.csv")54.11 Öffnen der Daten mit der Maus
Wenn wir eine Datei im Windows-Explorer mit der Maus auswählen möchten, können wir dies wie folgt tun:
Zuerst schauen wir, ob die Datei im Projektordner vorhanden ist. Wir schreiben den Namen der zu suchenden Datei in das Objekt p.
p = "Beispieldaten.xlsx"
if (!file.exists(p)) p = file.choose()