[Data Science With R] 5. readr로 파일 읽기 (202503)

1. 데이터 분석을 위한 디렉토리 설정하기

데이터 분석을 하려면 분석에 필요한 데이터를 불러오는 것이 필수적입니다.
이때, 데이터를 불러오기 전에 먼저 현재 작업 환경(작업 디렉터리)을 확인하거나 변경하는 작업이 필요합니다.

📌 현재 작업환경(디렉터리) 확인하기

현재 어떤 폴더에서 작업하고 있는지 알고 싶다면 getwd() 함수를 사용하면 됩니다.

getwd()  # 현재 작업 디렉터리 경로 출력

 

📌 작업환경(디렉터리) 변경하기

작업하는 디렉터리를 변경하려면 setwd() 함수를 사용하면 됩니다. 이때, 절대경로 또는 상대경로 모두 사용할 수 있습니다.

• 절대경로: 전체 경로를 명시 (예시: "C:/Users/user/Desktop/project")
• 상대경로:
  • "~" : 사용자의 홈 디렉터리
  • "." : 현재 디렉터리
  • ".." : 상위 디렉터리

setwd("C:/Users/user/Desktop/project")  # 절대경로
setwd("../project")  # 상대경로 (상위 디렉터리에서 project로 이동)

 

📌 디렉터리 내의 파일 목록 확인하기

특정 폴더 안에 어떤 파일이나 하위 디렉터리들이 있는지 알고 싶다면, 다음과 같은 함수들을 사용하면 쉽게 확인할 수 있습니다.

• 파일 목록 확인하기: list.files(patterns, full.names)
  

list.files(pattern=".+\\.csv")  # 현재 디렉터리의 파일 중 ".csv"로 끝나는 파일 목록 출력

• 하위 디렉터리 목록 확인하기: list.dirs()

list.dirs()  # 현재 디렉터리의 하위 디렉터리 목록 출력

 

📌 RStudio 사용자라면?

RStudio 환경에서는 화면 우측 하단의 Files 탭을 클릭하여 쉽게 작업 디렉터리와 파일 목록을 확인할 수 있습니다. 디렉터리 경로를 클릭하여 직관적으로 이동하거나 확인하는 것이 가능합니다.

 

---

 

2. 주요 readr 함수

R의 readr 패키지는 데이터를 손쉽게 불러오는 다양한 함수를 제공합니다. 파일의 형식과 구분자에 따라 적절한 함수를 선택하여 사용할 수 있습니다.

함수명	설명
read_csv	쉼표(,)로 구분된 CSV 파일
read_csv2	세미콜론(;)으로 구분된 CSV 파일
read_tsv	탭(Tab)으로 구분된 파일
read_table	공백으로 구분된 파일
read_delim	임의의 구분자(delimiter)로 구분된 파일
read_fwf	고정 너비 파일
read_lines	파일을 한 줄씩 읽어 여러 개의 벡터로 반환
read_file	파일 전체를 하나의 긴 문자열로 읽기 (인코딩 문제나 파일 읽기 오류에 유용)

 

가장 많이 사용하는 함수 중 하나인 read_csv는 아래와 같이 사용할 수 있습니다.

df <- read_csv("data.csv") # 현재 디렉토리에 있는 data.csv 파일을 로드

 

---

 

3. read_csv 함수의 주요 파라미터 정리

R의 readr 패키지에서 가장 많이 사용하는 함수인 read_csv()의 주요 파라미터를 정리하여 설명합니다.

read_csv(
  file,
  col_names = TRUE,
  col_types = NULL,
  col_select = NULL,
  id = NULL,
  locale = default_locale(),
  na = c("", "NA"),
  quoted_na = TRUE,
  quote = "\"",
  comment = "",
  trim_ws = TRUE,
  skip = 0,
  n_max = Inf,
  guess_max = min(1000, n_max),
  name_repair = "unique",
  num_threads = readr_threads(),
  progress = show_progress(),
  show_col_types = should_show_types(),
  skip_empty_rows = TRUE,
  lazy = should_read_lazy()
)

• file : 파일의 경로와 파일명을 지정
  • file.choose 함수로 컴퓨터 파일을 직접 선택하거나 clipboard 함수로 클립보드에 있는 값을 사용할 수 있음
  • .gz, .bz2, .xz, .zip로 된 파일은 자동으로 압축 해제함
  • http 또는 https로 시작하면 해당 서버에서 데이터를 다운로드하여 읽음
• skip : 처음 몇 줄을 건너뛰고 읽을지 결정 (기본값 0)
• quote : 문자열을 감싸는 문자 지정 (기본값 "\"")
• comment : 지정된 문자로 시작하는 줄 무시 (기본값 : "")
  
  
• col_names : 열(변수)명 관련 파라미터
  • col_names = T : 첫 행을 열 이름으로 사용 (default)
  • col_names = F : 첫 행을 열 이름으로 사용하지 않고 X1, X2, X3, ... 와 같이 자동 열 이름 생성
  • col_names = 문자벡터 : 열 이름을 직접 입력하여 사용 
    
    
• col_type : 열의 타입을 지정하는 파라미터
  • NULL : 모든 열의 유형을 자동으로 추론 (default)
  •  list( ), cols( ) : 각 열의 유형을 지정 (일부의 열만 지정하고 싶으면 cols_only 함수 사용)
  • 문자열 : 열 순서대로 각 문자가 의미하는 유형으로 지정
    • c = character / i = integer / n = number / d = double / l = logical / f = factor
    • D = date / T = date time / t = time / ? = guess / - = skip
• col_select : 결과에 포함할 변수를 지정할 수 있으며 dplyr::select와 유사한 역할을 수행한다.
• na : 결측값으로 처리할 문자 지정 
  
• n_max  : 파일에서 읽을 최대 줄의 수
• guess_max : 열의 유형을 추측하기 위해서 확인할 행의 수 (col_type과 연관)
  
• progress : 진행 상황을 표시하는 바 (대규모 데이터 셋이면 data.table::fread를 사용)

 

[+ 여러 파일을 한번에 읽는 방법 ]

여러 개의 파일이 동일한 형식을 가지고 있을 때는 개별적으로 파일을 읽지 않고, 벡터를 활용하여 한 번에 읽을 수 있습니다.

# Code from R for data science 2/e
sales_files <- c(
  "https://pos.it/r4ds-01-sales",
  "https://pos.it/r4ds-02-sales",
  "https://pos.it/r4ds-03-sales")
  
read_csv(sales_files, id = "file")

 

위 코드에서 id = "file" 옵션을 사용하면, 각 행이 어느 파일에서 읽혀왔는지 파일명을 별도의 열로 표시해줍니다.

 

---

 

4.  base::read.csv와 readr::read_csv의 차이

1. read_csv가 베이스 함수보다 10배 이상 빠르다 (단, data.table::fread가 훨씬 빠름)
2. read_csv는 티블(tibble), 베이스 함수는 데이터프레임(dataframe)으로 제공
3. read_csv가 베이스함수보다 재현성이 좋다

 

---

 

5. readr 유용한 함수 

• format_csv : write_csv의 결과와 동일하지만 디스크에 저장하는 것이 아닌 문자열로 반환
• tokenize : 파일이나 문자열 토큰화 (토크나이저에 따른 문자열 분리 및 리스트 반환)
• type_convert : 문자형 열을 가진 데이터 프레임 객체를 자동으로 변환