XML是万维网上使用标准ASCII文本,内部网和其他地方共享文件格式和数据的文件格式。 它代表可扩展标记语言(XML)。 与HTML类似,它包含标记标签。但与标记标签描述页面结构的HTML不同,标记标签描述了文件中包含的数据的含义。
可以使用“XML”包读取R中的xml文件,使用以下命令安装此软件包。
install.packages("XML")
R
准备XML文件数据
通过将以下数据复制到文本编辑器(如记事本)中来创建XMl文件。 使用.xml扩展名保存文件,并将文件类型选为所有文件(*.*)。创建一个XML文件:input.xml,内容如下 -
<RECORDS>
<EMPLOYEE>
<ID>1</ID>
<NAME>Rick</NAME>
<SALARY>623.3</SALARY>
<STARTDATE>1/1/2012</STARTDATE>
<DEPT>IT</DEPT>
</EMPLOYEE>
<EMPLOYEE>
<ID>2</ID>
<NAME>Dan</NAME>
<SALARY>515.2</SALARY>
<STARTDATE>9/23/2013</STARTDATE>
<DEPT>Operations</DEPT>
</EMPLOYEE>
<EMPLOYEE>
<ID>3</ID>
<NAME>Michelle</NAME>
<SALARY>611</SALARY>
<STARTDATE>11/15/2014</STARTDATE>
<DEPT>IT</DEPT>
</EMPLOYEE>
<EMPLOYEE>
<ID>4</ID>
<NAME>Ryan</NAME>
<SALARY>729</SALARY>
<STARTDATE>5/11/2014</STARTDATE>
<DEPT>HR</DEPT>
</EMPLOYEE>
<EMPLOYEE>
<ID>5</ID>
<NAME>Gary</NAME>
<SALARY>843.25</SALARY>
<STARTDATE>3/27/2015</STARTDATE>
<DEPT>Finance</DEPT>
</EMPLOYEE>
<EMPLOYEE>
<ID>6</ID>
<NAME>Nina</NAME>
<SALARY>578</SALARY>
<STARTDATE>5/21/2013</STARTDATE>
<DEPT>IT</DEPT>
</EMPLOYEE>
<EMPLOYEE>
<ID>7</ID>
<NAME>Simon</NAME>
<SALARY>632.8</SALARY>
<STARTDATE>7/30/2013</STARTDATE>
<DEPT>Operations</DEPT>
</EMPLOYEE>
<EMPLOYEE>
<ID>8</ID>
<NAME>Guru</NAME>
<SALARY>722.5</SALARY>
<STARTDATE>6/17/2014</STARTDATE>
<DEPT>Finance</DEPT>
</EMPLOYEE>
</RECORDS>
XML
读取XML文件
R使用xmlParse()函数来读取xml文件,它作为列表存储在R中。
# Load the package required to read XML files.
library("XML")
# Also load the other required package.
library("methods")
# Give the input file name to the function.
result <- xmlParse(file = "input.xml")
# Print the result.
print(result)
R
当我们执行上述代码时,会产生以下结果 -
<?xml version="1.0"?>
<RECORDS>
<EMPLOYEE>
<ID>1</ID>
<NAME>Rick</NAME>
<SALARY>623.3</SALARY>
<STARTDATE>1/1/2012</STARTDATE>
<DEPT>IT</DEPT>
</EMPLOYEE>
<EMPLOYEE>
<ID>2</ID>
<NAME>Dan</NAME>
<SALARY>515.2</SALARY>
<STARTDATE>9/23/2013</STARTDATE>
<DEPT>Operations</DEPT>
</EMPLOYEE>
<EMPLOYEE>
<ID>3</ID>
<NAME>Michelle</NAME>
<SALARY>611</SALARY>
<STARTDATE>11/15/2014</STARTDATE>
<DEPT>IT</DEPT>
</EMPLOYEE>
<EMPLOYEE>
<ID>4</ID>
<NAME>Ryan</NAME>
<SALARY>729</SALARY>
<STARTDATE>5/11/2014</STARTDATE>
<DEPT>HR</DEPT>
</EMPLOYEE>
<EMPLOYEE>
<ID>5</ID>
<NAME>Gary</NAME>
<SALARY>843.25</SALARY>
<STARTDATE>3/27/2015</STARTDATE>
<DEPT>Finance</DEPT>
</EMPLOYEE>
<EMPLOYEE>
<ID>6</ID>
<NAME>Nina</NAME>
<SALARY>578</SALARY>
<STARTDATE>5/21/2013</STARTDATE>
<DEPT>IT</DEPT>
</EMPLOYEE>
<EMPLOYEE>
<ID>7</ID>
<NAME>Simon</NAME>
<SALARY>632.8</SALARY>
<STARTDATE>7/30/2013</STARTDATE>
<DEPT>Operations</DEPT>
</EMPLOYEE>
<EMPLOYEE>
<ID>8</ID>
<NAME>Guru</NAME>
<SALARY>722.5</SALARY>
<STARTDATE>6/17/2014</STARTDATE>
<DEPT>Finance</DEPT>
</EMPLOYEE>
</RECORDS>
Shell
获取XML文件中存在的节点数
# Load the packages required to read XML files.
library("XML")
library("methods")
# Give the input file name to the function.
result <- xmlParse(file = "input.xml")
# Exract the root node form the xml file.
rootnode <- xmlRoot(result)
# Find number of nodes in the root.
rootsize <- xmlSize(rootnode)
# Print the result.
print(rootsize)
R
当我们执行上述代码时,会产生以下结果 -
output
[1] 8
R
第一个节点的详细信息
下面来看看如何解析文件的第一条记录,它将给出对顶级节点中存在的各种元素的详细信息。
# Load the packages required to read XML files.
library("XML")
library("methods")
# Give the input file name to the function.
result <- xmlParse(file = "input.xml")
# Exract the root node form the xml file.
rootnode <- xmlRoot(result)
# Print the result.
print(rootnode[1])
R
当我们执行上述代码时,会产生以下结果 -
$EMPLOYEE
<EMPLOYEE>
<ID>1</ID>
<NAME>Rick</NAME>
<SALARY>623.3</SALARY>
<STARTDATE>1/1/2012</STARTDATE>
<DEPT>IT</DEPT>
</EMPLOYEE>
attr(,"class")
[1] "XMLInternalNodeList" "XMLNodeList"
Shell
获取节点的其它元素
# Load the packages required to read XML files.
library("XML")
library("methods")
# Give the input file name to the function.
result <- xmlParse(file = "input.xml")
# Exract the root node form the xml file.
rootnode <- xmlRoot(result)
# Get the first element of the first node.
print(rootnode[[1]][[1]])
# Get the fifth element of the first node.
print(rootnode[[1]][[5]])
# Get the second element of the third node.
print(rootnode[[3]][[2]])
R
当我们执行上述代码时,会产生以下结果 -
<ID>1</ID>
<DEPT>IT</DEPT>
<NAME>Michelle</NAME>
Shell
XML转到数据帧
为了在大文件中有效处理数据,我们以xml文件的形式读取数据作为数据帧。然后处理数据帧进行数据分析。
# Load the packages required to read XML files.
library("XML")
library("methods")
# Convert the input xml file to a data frame.
xmldataframe <- xmlToDataFrame("input.xml")
print(xmldataframe)
R
当我们执行上述代码时,会产生以下结果 -
ID NAME SALARY STARTDATE DEPT
1 1 Rick 623.3 1/1/2012 IT
2 2 Dan 515.2 9/23/2013 Operations
3 3 Michelle611 11/15/2014 IT
4 4 Ryan729 5/11/2014 HR
5 5 Gary 843.25 3/27/2015Finance
6 6 Nina578 5/21/2013 IT
7 7Simon 632.8 7/30/2013 Operations
8 8 Guru 722.5 6/17/2014Finance
Shell
由于数据现在已经转为数据帧,所以我们可以使用数据帧相关函数来读取和操作文件。
在使用R的时候,我们肯定需要导入数据,现在总结一下如何导入不同类型的数据:1.使用键盘输入数据
在导入数据比较少的时候,我们使用这种方法。R中的函数 edit() 会自动调用一个允许手动输入数据的文本编辑器。具体步骤如下:
(1) 创建一个空数据框(或矩阵) ,其中变量名和变量的模式需与理想中的最终数据集一致;
(2) 针对这个数据对象调用文本编辑器,输入你的数据,并将结果保存回此数据对象中。在下例中,你将创建一个名为 mydata 的数据框,它含有三个变量: age (数值型) 、 height(字符型)和 weight (数值型) 。然后通过edit()函数调用文本编辑器,键入数据,最后保存结果。编辑器界面如下,我们在这个界面可以输入变量值,也可以改变变量类型。
[plain] view plain copy
mydata<-data.frame(age=numeric(0),height=numeric(0),weight=numeric(0))
edit(mydata)
需要注意的是函数 edit() 事实上是在对象的一个副本上进行操作的。如果你没有将它其赋值到一个对象,你的所有修改将会全部丢失!
2.导入带分隔符的文本文件数据/CSV文件
read.table() 可以从带分隔符的文本文件中导入数据。此函数可读入一个表格格式的文件并将其保存为一个数据框。其语法如下:
read.table(file,header=value,sep="delimter",row.names="name")
file表示文件名,header表示表的首行是否包含变量值的逻辑值,sep 用来指定分隔数据的分隔符, row.names 用以指定一个或多个表示行标识符的变量,是个一可选参数,他还有许多参数,可以通过帮助文档进行查看。
3.导入Excel数据
虽然Excel可能是世界上最流行的数据分析工具,但R如果直接读取Excel数据还是比较困难的。
但我们可以在Excel中将数据将其导出为一个逗号分隔文件(csv) ,并使用前文描述的方式将其导入R中。在Windows系统中,你也可以使用 RODBC 包来访问Excel文件。但它好像只能在32位的R软件上面使用。虽然也有一些包可以这些问题,比如gdata,XLConnect,xlsReadWrite等,但它的有许多前提要求,比如Java环境,Per,或者32-bit R。因此一般情况将数据转换为csv文件或者将数据导入到数据库在导入在R。
4.导入XML数据
强大的R中有若干用于处理XML文件的包。 XML 包允许用户读取、写入和操作XML文件。因为我还没有遇到这种数据,因此还不太清楚xml包大体如何使用,感兴趣的朋友可以下载xml包,通过帮助文档进行学习。
5.从网页抓取数据
不仅Python可以爬取网页数据,R也可以在Web数据抓取。在这个的过程中,用户可以从互联网上提取嵌入在网页中的信息,并将其保存为R中的数据结构以做进一步的分析。 完成这个任务的一种途径是使用函数 readLines()下载网页,然后使用如 grep() 和 gsub() 一类的函数处理它。对于结构复杂的网页,可以使用RCurl 包和 XML 包来提取其中想要的信息。
6.导入SPSS数据
我们可以调用通过 foreign 包中的函数 read.spss() 将SPSS数据集可以导入到R中,也可以使用 Hmisc 包中的 spss.get() 函数。函数 spss.get() 是对 read. spss() 的一个封装,它可以为你自动设置后者的许多参数,让整个转换过程更加简单一致,最后得到数据分析人员所期望的结果。使用的时候我们只需要安装Hmisc 包,在较新的R中foreign 包已被默认安装。
[plain] view plain copy
mydata<-spss.get("data.sav",use.value.labels=TRUE)
这段代码中,data.sav 是要导入的SPSS数据文件, use.value.labels=TRUE 表示让函数将带有值标签的变量导入为R中水平对应相同的因子, mydataframe 是导入后的R数据框。