Εισαγωγή δεδομένων

Εισαγωγή

Σε αυτό το κεφάλαιο, εξετάζουμε τα κύρια θέματα που αφορούν την εισαγωγή δεδομένων (data imports). Η κατανόηση του πώς εισάγουμε αποτελεσματικά δεδομένα είναι μια καθοριστική δεξιότητα για την ανάλυση δεδομένων, καθώς αποτελεί το θεμέλιο πάνω στο οποίο χτίζεται κάθε μεταγενέστερη ανάλυση. Επιπλέον, οι αρχές που θα καλύψουμε εφαρμόζονται γενικά σε διάφορα περιβάλλοντα λογισμικού.

Υπολογιστικά φύλλα και τύποι αρχείων

Τα σύνολα δεδομένων (datasets) αποθηκεύονται συνήθως σε κάθε είδους μορφές. Ο πιο συνηθισμένος τύπος είναι πιθανότατα η μορφή πίνακα (table) ή το ηλεκτρονικό υπολογιστικό φύλλο (spreadsheet) (π.χ. μορφή Excel). Ένα υπολογιστικό φύλλο μοιάζει με ένα data frame ή ένα matrix, επειδή αποτελείται από γραμμές και στήλες. Ο τύπος του αρχείου καθορίζει τον τρόπο με τον οποίο το εισάγουμε στην R. Συνηθισμένοι τύποι αρχείων είναι τα βιβλία εργασίας (workbooks) του Excel, τα αρχεία CSV ή τα αρχεία κειμένου με συγκεκριμένα διαχωριστικά (delimiters), όπως στηλοθέτες (tabs) ή ερωτηματικά. Για παράδειγμα, ένα αρχείο CSV (Comma-Separated Values, τιμές διαχωρισμένες με κόμμα) χρησιμοποιεί κόμματα για να διαχωρίσει τις τιμές μέσα σε κάθε γραμμή. Η κατανόηση αυτών των τύπων αρχείων είναι πολύ σημαντική, επειδή επηρεάζει τον τρόπο με τον οποίο διαβάζονται τα δεδομένα στην R, με τις κατάλληλες συναρτήσεις ή τα κατάλληλα packages. Για παράδειγμα, παρακάτω βλέπουμε το αρχείο Customer_Churn ανοιγμένο σε έναν επεξεργαστή κειμένου (text editor):

Εικόνα 3.1: Άνοιγμα ενός αρχείου CSV σε επεξεργαστή κειμένου.

Η πρώτη γραμμή περιέχει τις επικεφαλίδες (headers), οι οποίες μπορεί να εμφανίζονται σε περισσότερες από μία γραμμές λόγω μήκους, αλλά, όσον αφορά τη δομή, εξακολουθούν να αποτελούν μία μόνο γραμμή. Κατανοώντας τον τύπο και τη δομή του αρχείου, μπορούμε να εισαγάγουμε τα δεδομένα μας στην R με ακρίβεια.

Διαδρομές και το working directory

Εκτός από τον τύπο του αρχείου, πρέπει επίσης να γνωρίζουμε τη διαδρομή (path) ενός αρχείου. Η διαδρομή ενός αρχείου δείχνει ουσιαστικά πού είναι αποθηκευμένο το αρχείο. Συνήθως, έχουμε αυτά τα αρχεία σε οργανωμένους φακέλους, οι οποίοι ονομάζονται directories (κατάλογοι). Παρόλο που οι ονομασίες μπορεί να μην είναι ιδιαίτερα διαισθητικές, το σημαντικό είναι να θυμόμαστε ότι, για να εισαγάγουμε ένα αρχείο στο RStudio, πρέπει να γνωρίζουμε τον τύπο του και πού βρίσκεται. Για να κατανοήσουμε την ορολογία, ας υποθέσουμε ότι έχουμε ένα αρχείο CSV με όνομα Customer_Churn σε έναν φάκελο με όνομα Data Sets. Μια πιθανή διαδρομή σε αυτή την περίπτωση θα ήταν η C:/Users/User/Desktop/Data Sets/Customer_Churn.csv. Ας την αναλύσουμε:

  • Πλήρης διαδρομή (full path): C:/Users/User/Desktop/Data Sets/Customer_Churn.csv

  • Διαδρομή του directory (directory path): C:/Users/User/Desktop/Data Sets

  • Directory: Data Sets

  • Αρχείο (file): Customer_Churn.csv

Έτσι, χρησιμοποιώντας την πλήρη διαδρομή, μπορούμε να εισαγάγουμε ένα σύνολο δεδομένων στην R. Για να δούμε πώς λειτουργεί αυτό στην πράξη, εφαρμόζουμε όσα μόλις περιγράψαμε. Η ενσωματωμένη συνάρτηση για την εισαγωγή ενός αρχείου csv στην R είναι η συνάρτηση read.csv(). Μέσα στη συνάρτηση δηλώνουμε την πλήρη διαδρομή και μπορούμε να αποθηκεύσουμε τα δεδομένα απευθείας σε ένα object. Στο παράδειγμά μας, δίνουμε το όνομα customer_churn στο object στο οποίο θέλουμε να αποθηκεύσουμε τα δεδομένα που εισάγουμε:

# Εισαγωγή του Customer_Churn
customer_churn <- read.csv("C:/Users/User/Desktop/Data Sets/Customer_Churn.csv")

# Εμφάνιση των πρώτων γραμμών
head(customer_churn)
  ID Recency Recency_Level Frequency Frequency_Level
1  1      46           Low        26             Low
2  2      40           Low        56          Medium
3  3      35           Low       293            High
4  4      50           Low        18             Low
5  5      77        Medium        14             Low
6  6      55        Medium        39             Low
  Monetary_Value Monetary_Value_Level Observation_Period Churn
1        3009.60               Medium                742     0
2       57347.28                 High               2301     0
3       14496.16                 High               2411     0
4        1416.20               Medium                813     0
5         523.72                  Low                  1     0
6        8830.32               Medium               2077     0

Ωστόσο, όταν δουλεύουμε με την R, βρισκόμαστε πάντα «κάπου» στον υπολογιστή στον οποίο εργαζόμαστε. Με άλλα λόγια, η R θεωρεί ότι έχουμε μια συγκεκριμένη διαδρομή από την οποία δουλεύουμε. Αυτή ονομάζεται working directory (κατάλογος εργασίας). Με το working directory, δεν χρειάζεται να δηλώνουμε την πλήρη διαδρομή κάθε φορά που εισάγουμε ένα σύνολο δεδομένων· μπορούμε απλώς να χρησιμοποιήσουμε μέσα στη συνάρτηση το όνομα του αρχείου αντί για την πλήρη διαδρομή. Πριν δούμε πώς λειτουργεί αυτό, ας ελέγξουμε το τρέχον working directory μας. Για τον σκοπό αυτό, μπορούμε να χρησιμοποιήσουμε τη συνάρτηση getwd():

# Εμφάνιση του working directory
getwd()
[1] "C:/Users/User/Documents"

Βλέπουμε ότι το working directory είναι το C:/Users/User/Documents (το δικό σας directory πιθανότατα θα είναι διαφορετικό). Για να αλλάξουμε το working directory, μπορούμε να χρησιμοποιήσουμε τη συνάρτηση setwd(). Για παράδειγμα, ας υποθέσουμε ότι θέλουμε να αλλάξουμε το working directory από C:/Users/User/Documents σε C:/Users/User/Desktop/Data Sets. Για να το κάνουμε αυτό, δίνουμε τη διαδρομή του επιθυμητού directory μέσα στις παρενθέσεις:

# Αλλαγή του working directory
setwd("C:/Users/User/Desktop/Data Sets")

Τώρα, αν χρησιμοποιήσουμε ξανά τη συνάρτηση getwd(), βλέπουμε ότι το working directory μας είναι διαφορετικό:

# Εμφάνιση του working directory
getwd()
[1] "C:/Users/User/Desktop/Datasets"

Καθώς το working directory μας είναι πλέον το directory Data Sets, μπορούμε να χρησιμοποιήσουμε τη συνάρτηση read.csv() δίνοντας μέσα στις παρενθέσεις μόνο το όνομα του αρχείου:

# Εισαγωγή του Customer_Churn
customer_churn <- read.csv("Customer_Churn.csv")

# Εμφάνιση των πρώτων γραμμών
head(customer_churn)
  ID Recency Recency_Level Frequency Frequency_Level
1  1      46           Low        26             Low
2  2      40           Low        56          Medium
3  3      35           Low       293            High
4  4      50           Low        18             Low
5  5      77        Medium        14             Low
6  6      55        Medium        39             Low
  Monetary_Value Monetary_Value_Level Observation_Period Churn
1        3009.60               Medium                742     0
2       57347.28                 High               2301     0
3       14496.16                 High               2411     0
4        1416.20               Medium                813     0
5         523.72                  Low                  1     0
6        8830.32               Medium               2077     0

Βλέπουμε ότι η εισαγωγή των δεδομένων ήταν επιτυχής. Με αυτόν τον τρόπο, μπορούμε να εισάγουμε διαφορετικά σύνολα δεδομένων αρκετά αποδοτικά. Ένα ακόμη πλεονέκτημα είναι ότι, όταν μοιραζόμαστε το script μας στην R, ο κώδικάς μας είναι πιο ευανάγνωστος και άλλοι μπορούν εύκολα να εκτελέσουν το script, με την προϋπόθεση ότι το δικό τους working directory περιέχει το ίδιο σύνολο δεδομένων. Σημειώνεται ότι, όταν ένα αρχείο βρίσκεται στο working directory, μπορούμε και πάλι να χρησιμοποιήσουμε την πλήρη διαδρομή αν θέλουμε· το αποτέλεσμα θα είναι ακριβώς το ίδιο.

Slash και backslash

Η διαφορά ανάμεσα στο slash (κάθετος, /) και στο backslash (ανάποδη κάθετος, \) στο πλαίσιο ενός working directory σχετίζεται κυρίως με τη χρήση τους σε διαφορετικά λειτουργικά συστήματα και με τον τρόπο με τον οποίο δηλώνουν διαδρομές σε ένα σύστημα αρχείων:

• Το slash (/) χρησιμοποιείται συνήθως σε λειτουργικά συστήματα τύπου Unix (Linux, macOS) και στα URLs.

• Το backslash (\) χρησιμοποιείται κυρίως στα λειτουργικά συστήματα Windows.

Ωστόσο, στην R, όπως και σε πολλές άλλες γλώσσες προγραμματισμού, το backslash (\) χρησιμοποιείται ως χαρακτήρας διαφυγής (escape character). Αυτό σημαίνει ότι, όταν η R συναντά ένα backslash, περιμένει να ακολουθεί ένας άλλος χαρακτήρας ή μια ακολουθία που αναπαριστά έναν ειδικό χαρακτήρα ή μια εντολή (π.χ. \n για νέα γραμμή).

Παράδειγμα:

• Λάθος (με μονό backslash): C:\Users\YourName\Documents

• Σωστό (με διπλό backslash): C:\\Users\\YourName\\Documents

• Προτιμότερο (με slash): C:/Users/YourName/Documents

Για ευκολία και για να αποφύγουμε προβλήματα με τους χαρακτήρες διαφυγής, η χρήση του slash (/) στις διαδρομές αρχείων είναι συχνά η απλούστερη επιλογή όταν δουλεύουμε με την R, ανεξάρτητα από το λειτουργικό σύστημα.

Εισαγωγή δεδομένων στο RStudio

Τώρα που κατανοούμε τις έννοιες της διαδρομής και του directory, μπορούμε να εξετάσουμε στην πράξη πώς εισάγουμε ένα σύνολο δεδομένων στην R χρησιμοποιώντας τις δυνατότητες του RStudio. Για να κρατήσουμε τα πράγματα απλά, εισάγουμε το ίδιο σύνολο δεδομένων με την ίδια πλήρη διαδρομή που περιγράψαμε. Έτσι, το αρχείο csv που εισάγουμε ονομάζεται Customer_Churn και η διαδρομή του directory είναι η C:/Users/User/Desktop/Data Sets. Όπως δείξαμε νωρίτερα, μπορούμε να χρησιμοποιήσουμε τη συνάρτηση read.csv() για να εισαγάγουμε αυτό το σύνολο δεδομένων.

Ωστόσο, το RStudio παρέχει επίσης μια φιλική προς τον χρήστη λειτουργία που μπορεί να μας βοηθήσει να εισάγουμε τα σύνολα δεδομένων μας με σχετικά απλό τρόπο. Επιλέγοντας File -> Import Dataset, βλέπουμε ότι το RStudio μάς δίνει διάφορες επιλογές, όπως η From Text (readr)…. Πατώντας αυτή την επιλογή, θα δούμε την παρακάτω έξοδο:

Εικόνα 3.2: Χρήση του RStudio για την εισαγωγή ενός συνόλου δεδομένων.

Εικόνα 3.3: Το παράθυρο εισαγωγής συνόλου δεδομένων στο RStudio.

Για να βρούμε το αρχείο στον υπολογιστή μας, πατάμε την επιλογή Browse στην πάνω δεξιά γωνία και εντοπίζουμε το αρχείο περιηγούμενοι στον υπολογιστή μας. Όταν βρούμε το αρχείο που θέλουμε, το επιλέγουμε και κάνουμε μια προεπισκόπησή του στον πίνακα που εμφανίζεται:

Εικόνα 3.4: Προεπισκόπηση του συνόλου δεδομένων πριν από τη φόρτωση.

Εδώ έχουμε αρκετές επιλογές που μας επιτρέπουν να αλλάξουμε τον τρόπο με τον οποίο το RStudio εισάγει το αρχείο. Με αυτόν τον τρόπο, βλέπουμε ακριβώς τι θα εισαγάγει το RStudio και, ανάλογα, μπορούμε να κάνουμε προσαρμογές πριν γίνει η εισαγωγή. Τέλος, βλέπουμε στην κάτω δεξιά γωνία τον ακριβή κώδικα R που κάνει την εισαγωγή. Αυτό είναι πολύ χρήσιμο, επειδή όχι μόνο μπορούμε να χρησιμοποιήσουμε αυτόν τον κώδικα αργότερα, αλλά μπορούμε επίσης να μάθουμε πώς να εισάγουμε ένα σύνολο δεδομένων γράφοντας κώδικα απευθείας στην κονσόλα. Σε αυτό το παράδειγμα, παρατηρούμε ότι το RStudio χρησιμοποίησε το package readr και τη συνάρτηση read_csv() για να κάνει αυτή την εισαγωγή. Αυτή η συνάρτηση μπορεί να θεωρηθεί μια βελτιωμένη εκδοχή της συνάρτησης read.csv(). Οι λεπτομέρειες δεν είναι σημαντικές σε αυτό το σημείο· ο στόχος μας είναι να κατανοήσουμε διαισθητικά τις διαδρομές, τα directories και τη συνολική λειτουργία του RStudio όσον αφορά την εισαγωγή δεδομένων.

Εισαγωγή δεδομένων από το GitHub

Εκτός από την εισαγωγή αρχείων από τοπικά directories, η R μας επιτρέπει επίσης να εισάγουμε δεδομένα απευθείας από διαδικτυακές πηγές. Το GitHub είναι μια διαδικτυακή πλατφόρμα για τη φιλοξενία και την κοινή χρήση κώδικα, συνόλων δεδομένων και συνεργατικών έργων. Είναι μία από τις πιο ευρέως χρησιμοποιούμενες πλατφόρμες για συνεργασία και αποθήκευση κώδικα. Παρόλο που το GitHub προσφέρει πολλές δυνατότητες, δεν χρειάζεται να τις εξετάσουμε αναλυτικά εδώ. Ο στόχος μας είναι απλώς να δούμε πώς μπορούμε να εισαγάγουμε ένα σύνολο δεδομένων από τέτοιες πλατφόρμες. Σε πολλά από αυτά τα σύνολα δεδομένων έχουμε πρόσβαση απευθείας μέσω των URLs τους. Για παράδειγμα, ας υποθέσουμε ότι θέλουμε να εισαγάγουμε το δημόσια διαθέσιμο σύνολο δεδομένων customer_churn από το GitHub.

Εικόνα 3.5: Το σύνολο δεδομένων customer_churn στο GitHub.

Πατώντας το κουμπί Raw στο GitHub, έχουμε πρόσβαση στο ακατέργαστο (raw) αρχείο CSV, το οποίο μπορεί να εισαχθεί απευθείας στην R:

Εικόνα 3.6: Το ακατέργαστο αρχείο του συνόλου δεδομένων customer_churn.

Η μορφή εξακολουθεί να είναι CSV (τιμές διαχωρισμένες με κόμμα), κάτι που μας επιτρέπει να εισαγάγουμε το σύνολο δεδομένων είτε με την read.csv() είτε με την read_csv(), δίνοντας το URL του ακατέργαστου αρχείου:

# Εισαγωγή του customer_churn από το GitHub
customer_churn <- read.csv("https://raw.githubusercontent.com/Datakortex/Datasets/refs/heads/main/customer_churn.csv")

# Εμφάνιση των πρώτων γραμμών
head(customer_churn)
  ID Recency Recency_Level Frequency Frequency_Level
1  1      46           Low        26             Low
2  2      40           Low        56          Medium
3  3      35           Low       293            High
4  4      50           Low        18             Low
5  5      77        Medium        14             Low
6  6      55        Medium        39             Low
  Monetary_Value Monetary_Value_Level Observation_Period Churn
1        3009.60               Medium                742     0
2       57347.28                 High               2301     0
3       14496.16                 High               2411     0
4        1416.20               Medium                813     0
5         523.72                  Low                  1     0
6        8830.32               Medium               2077     0

Παρατηρούμε ότι σε αυτή την περίπτωση η τοπική διαδρομή του αρχείου δεν έχει σημασία, καθώς εισάγουμε το σύνολο δεδομένων απευθείας από το διαδίκτυο. Αυτό είναι ιδιαίτερα χρήσιμο για αναπαραγώγιμη έρευνα και συνεργατικά έργα. Επιτρέπει σε όλους τους χρήστες να έχουν πρόσβαση στο ίδιο σύνολο δεδομένων από μια κοινή διαδικτυακή τοποθεσία, χωρίς να κατεβάζουν αρχεία χειροκίνητα. Όσο το URL παραμένει έγκυρο, το σύνολο δεδομένων μπορεί να εισάγεται με τον ίδιο τρόπο σε διαφορετικά συστήματα και περιβάλλοντα.

Εισαγωγή δεδομένων από άλλες πηγές

Στην R μπορούμε να εισαγάγουμε δεδομένα από διάφορες πηγές, όπως πλατφόρμες σχεσιακών βάσεων δεδομένων (relational databases), π.χ. η MySQL, καθώς και απευθείας από ιστοσελίδες μέσω URLs (όπως κάναμε νωρίτερα). Επιπλέον, η R μπορεί να χρησιμοποιηθεί για web scraping (εξαγωγή δεδομένων από ιστοσελίδες), δηλαδή για την εξαγωγή δεδομένων από κώδικα HTML ή απευθείας από ιστοσελίδες. Δεδομένης της ποικιλίας των πηγών δεδομένων, δεν είναι πρακτικό να καλύψουμε αναλυτικά κάθε πιθανή μέθοδο σε αυτό το εισαγωγικό κεφάλαιο. Ωστόσο, η βασική ιδέα παραμένει η ίδια: πρέπει να καθοδηγήσουμε την R στη θέση των δεδομένων και να ορίσουμε την κατάλληλη συνάρτηση για την εισαγωγή τους, καθώς διαφορετικοί τύποι αρχείων απαιτούν διαφορετικές συναρτήσεις.