R 資料匯入/匯出 ¶

1.1 匯入 ¶

匯入 R 中最簡單的資料格式是純文字檔，這通常適用於中小型問題。匯入文字檔的主要函式為 scan，而 試算表格式資料 中所討論的許多較方便的函式都是基於此函式。

然而，所有統計顧問都曾遇過客戶拿著隨身碟（以前是軟碟或 CD-R）來，裡面裝著某些專有二進位格式的資料，例如「Excel 試算表」或「SPSS 檔案」。通常最簡單的做法是使用原始應用程式將資料匯出為文字檔（而統計顧問的電腦中通常會安裝最常見的應用程式，以備不時之需）。不過，這並不總是可行，而 從其他統計系統匯入 會討論如何直接從 R 存取此類檔案。至於 Excel 試算表，可用方法已在 讀取 Excel 試算表 中做總結。

在某些情況下，資料會以二進位格式儲存，以求精簡和加快存取速度。我們多次見過的一個應用是影像資料，通常會儲存為記憶體中所表示的位元組串流，前面可能加上標頭。此類資料格式會在 二進位檔案 和 二進位連線 中討論。

對於較大的資料庫，使用資料庫管理系統 (DBMS) 來處理資料是很常見的。再次有使用 DBMS 來萃取純文字檔案的選項，但對於許多這樣的 DBMS，萃取操作可以直接從 R 套件執行：請參閱 關聯式資料庫。透過網路連線匯入資料會在 網路介面 中討論。

• 編碼

text.Rd: UTF-8 Unicode English text
text2.dat: ISO-8859 English text
text3.dat: Little-endian UTF-16 Unicode English character data,
   with CRLF line terminators
intro.dat: UTF-8 Unicode text
intro.dat: UTF-8 Unicode (with BOM) text

1.2 匯出為文字檔 ¶

從 R 匯出結果通常是項較不具爭議性的任務，但仍有許多潛在的陷阱。會有一個目標應用程式，而文字檔通常是最方便的交換媒介。（如果需要二進位檔，請參閱二進位檔。）

函數 cat 是用於匯出資料的函數的基礎。它需要一個 file 參數，而 append 參數允許透過連續呼叫 cat 來寫入文字檔。更好的方法，特別是如果需要執行多次，是開啟一個 file 連線以進行寫入或附加，然後將 cat 放入該連線中，再將其 close。

最常見的任務是將矩陣或資料框寫入檔案，作為數字的矩形網格，可能包含列標籤和欄標籤。這可以使用函數 write.table 和 write 來完成。函數 write 只會寫出一個矩陣或向量，並指定欄位數（並轉置矩陣）。函數 write.table 更方便，並會寫出一個資料框（或可以轉換為資料框的物件），並包含列標籤和欄標籤。

將資料框寫入文字檔案時，有許多問題需要考慮。

1. 精度

   這些函數執行的實數/複數轉換大多是完全精度的，但 write 的轉換會受到 options(digits) 目前設定的控制。若要進一步控制，請對資料框使用 format，可能逐欄執行。

2. 標題列

   R 偏好標題列沒有列名稱的項目，因此檔案看起來像

                   dist    climb   time
   Greenmantle     2.5     650     16.083
      ...
   

   其他一些系統需要一個（可能為空）的列名稱項目，如果指定引數 col.names = NA，write.table 會提供這個項目。Excel 就是這樣的系統之一。

3. 分隔符

   檔案中常用的欄位分隔符號是逗號，因為在英語系國家中，逗號不太可能出現在任何欄位中。此類檔案稱為 CSV（逗號分隔值）檔案，包裝函式 write.csv 提供適當的預設值。在某些地區，逗號用作小數點（在 write.table 中透過 dec = "," 設定），而 CSV 檔案則使用分號作為欄位分隔符號：使用 write.csv2 以取得適當的預設值。有一個針對 CSV 檔案的 IETF 標準（強制使用逗號和 CRLF 行尾，使用 eol = "\r\n"），RFC4180（請參閱 https://www.rfc-editor.org/rfc/rfc4180），但實際上更重要的是檔案是否可供目標應用程式讀取。

   使用分號或 tab (sep = "\t") 可能是最安全的選項。

4. 遺失值

   預設情況下，遺失值會輸出為 NA，但這可以用參數 na 變更。請注意，NaN 會由 write.table 視為 NA，但 cat 和 write 則不會。

5. 引號字串

   預設情況下，字串會加上引號（包括列和欄位名稱）。參數 quote 控制字元和因子變數是否加上引號：例如，有些程式（例如 Mondrian (https://en.wikipedia.org/wiki/Mondrian_(software)）），不接受加上引號的字串。

   如果字串包含嵌入式引號，則需要特別小心。有三個有用的形式

   > df <- data.frame(a = I("a \" quote"))
   > write.table(df)
   "a"
   "1" "a \" quote"
   > write.table(df, qmethod = "double")
   "a"
   "1" "a "" quote"
   > write.table(df, quote = FALSE, sep = ",")
   a
   1,a " quote
   

   第二個形式是試算表常用的跳脫形式。

6. 編碼

   文字檔案不包含其編碼的元資料，因此對於非 ASCII 資料，檔案需要設定目標為打算讀取它的應用程式。所有這些函式都可以寫入 連線，允許為檔案指定編碼，而 write.table 有 fileEncoding 參數，讓這件事更容易。

   困難的部分是知道要使用什麼檔案編碼。要在 Windows 上使用，最好使用 Windows 稱之為「Unicode」² 的編碼，也就是 "UTF-16LE"。使用 UTF-8 是製作可攜式檔案的好方法，不會輕易與任何其他編碼混淆，但即使是 macOS 應用程式（UTF-8 是其系統編碼）可能也無法辨識它們，而 Windows 應用程式更是極不可能辨識。顯然 Excel:mac 2004/8 預期 .csv 檔案使用 "macroman" 編碼（Mac OS 早期版本中使用的編碼）。

套件 MASS 中的函式 write.matrix 提供寫入矩陣的專用介面，並提供分區寫入矩陣的選項，從而減少記憶體使用量。

可以使用 sink 將標準 R 輸出導向檔案，從而擷取（可能是隱含的）print 陳述式的輸出。這通常不是最有效率的途徑，而且可能需要增加 options(width) 設定。

套件 foreign 中的函式 write.foreign 使用 write.table 產生文字檔案，並寫入一個程式碼檔案，將這個文字檔案讀入另一個統計套件。目前支援匯出至 SAS、SPSS 和 Stata。

1.3 XML ¶

從文字檔讀取資料時，使用者有責任了解並指定用於建立該檔案的慣例，例如註解字元、是否有標題列、值分隔符號、遺失值的表示方式（等等），如 匯出至文字檔 中所述。一種標記語言可用於描述內容以及內容結構，讓檔案成為自我描述，因此無需向讀取資料的軟體提供這些詳細資訊。

可擴充標記語言（更常簡稱為 XML）可用於提供此類結構，不僅適用於標準資料集，也適用於更複雜的資料結構。XML 變得非常流行，並成為一般資料標記和交換的標準。它正被不同的社群用於描述地理資料，例如地圖、圖形顯示、數學等等。

XML 提供一種方式來指定檔案的編碼，例如

<?xml version="1.0" encoding="UTF-8"?>

儘管它並不要求這樣做。

XML 套件提供一般功能，用於在 R 中讀取和寫入 XML 文件。CRAN 上的套件 StatDataML 是建立在 XML 上的一個範例。套件 xml2 提供了另一個介面，用於 libxml2 C 函式庫。

yaml 是另一個用於建構文字資料的系統，強調人類可讀性：它由套件 yaml 支援。

2.1 read.table 的變化 ¶

函數 read.table 是讀取矩形資料格線最方便的方法。由於可能性很多，因此還有其他幾個函數會呼叫 read.table，但會變更一組預設引數。

請注意，read.table 是讀取非常大的數值矩陣時效率不高的方式：請參閱下方的 scan。

需要考慮的一些問題包括

1. 編碼

   如果檔案包含非 ASCII 字元欄位，請確保以正確的編碼讀取。這主要是指在 UTF-8 區域設定中讀取 Latin-1 檔案的問題，這可以用類似的方式來處理

   read.table("file.dat", fileEncoding="latin1")
   

   請注意，這將在任何可以表示 Latin-1 字串的區域設定中運作，但許多希臘語/俄語/中文/日語…區域設定不行。

2. 標題列

   我們建議您明確指定 header 參數。慣例上，標題列只為欄位提供項目，不為列標籤提供項目，因此比其他列短一個欄位。(如果 R 看到了這一點，它會設定 header = TRUE。)如果提供一個標題欄位（可能是空的）給列標籤的檔案，請使用類似的方式讀取

   read.table("file.dat", header = TRUE, row.names = 1)
   

   欄位名稱可以透過 col.names 明確給出；明確名稱會覆寫標題列（如果存在）。

3. 分隔符號

   通常查看檔案會決定要使用的欄位分隔符號，但對於空白分隔的檔案，預設 sep = ""（使用任何空白（空格、標籤或換行）作為分隔符號）、sep = " " 和 sep = "\t" 之間可能會有選擇。請注意，分隔符號的選擇會影響引號字串的輸入。

   如果您有一個包含空白欄位的 tab 分隔檔案，請務必使用 sep = "\t"。

4. 引號

   預設上，字元字串可以用 ‘"’ 或 ‘'’ 引號，而且在每個情況下，所有到配對引號的字元都會視為字元字串的一部分。有效的引號字元組（可能沒有）由 quote 參數控制。對於 sep = "\n"，預設值會變更為 quote = ""。

   如果未指定分隔符號，則可以在引號內字串中透過在引號前加上「\」來跳脫引號，這是 C 式風格。

   如果指定了分隔符號，則可以在引號內字串中透過加倍引號來跳脫引號，這是試算表中慣用的方式。例如

   'One string isn''t two',"one more"
   

   可以用

   read.table("testfile", sep = ",")
   

   來讀取，這不適用於預設分隔符號。

5. 遺失值

   預設情況下，假設檔案包含字串 NA 來表示遺失值，但這可以用引數 na.strings 來變更，此引數是一個向量，其中包含一個或多個遺失值的字元表示。

   數字欄位中的空白欄位也會視為遺失值。

   在數字欄位中，會接受值 NaN、Inf 和 -Inf。

6. 未填滿的列

   從試算表匯出的檔案通常會省略所有尾隨的空白欄位（及其分隔符號）。若要讀取此類檔案，請設定 fill = TRUE。

7. 字元欄位中的空白

   如果指定了分隔符號，則字元欄位中的前導和尾隨空白會視為欄位的一部分。若要移除空白，請使用引數 strip.white = TRUE。

8. 空白列

   預設情況下，read.table 會忽略空白列。這可以用設定 blank.lines.skip = FALSE 來變更，這僅會與 fill = TRUE 搭配使用時才有用，或許可以用空白列來表示規則配置中遺失的案例。

9. 變數的類別

   除非採取任何特殊動作，否則 read.table 會將所有欄位讀取為字元向量，然後嘗試為資料框中的每個變數選擇適當的類別。它會依序嘗試 logical、integer、numeric 和 complex，如果任何輸入都不遺失且無法轉換，則繼續進行。³ 如果以上所有都失敗，則會將變數轉換為因子。

   參數 colClasses 和 as.is 提供更佳的控制。指定 as.is = TRUE 會抑制字元向量的轉換為因子（僅限）。使用 colClasses 允許為輸入中的每一欄設定所需的類別：它會更快且使用更少的記憶體。

   請注意，colClasses 和 as.is 是以 每 一欄指定，而非 每 一個變數，因此包括列名稱的欄（若有）。

10. 註解

    預設情況下，read.table 使用 ‘#’ 作為註解字元，如果遇到此字元（引號字串中除外），則會忽略該行的其餘部分。僅包含空白和註解的列會被視為空白列。

    如果已知資料檔案中沒有註解，則使用 comment.char = "" 會更安全（且可能更快）。

11. 跳脫字元

    許多作業系統有慣例將反斜線用作文字檔案中的跳脫字元，但 Windows 沒有（且在路徑名稱中使用反斜線）。在 R 中是否將此類慣例套用至資料檔案是可選擇的。

    read.table 和 scan 都有一個邏輯參數 allowEscapes。預設為 false，且反斜線僅會被解釋為（在上述情況下）跳脫引號。如果將其設定為 true，則會解釋 C 風格的跳脫字元，即控制字元 \a, \b, \f, \n, \r, \t, \v 以及八進位和十六進位表示法，例如 \040 和 \0x2A。任何其他跳脫字元都會被視為其本身，包括反斜線。請注意，Unicode 跳脫字元，例如 \uxxxx，永遠不會被解釋。

12. 編碼

    這可以用 fileEncoding 參數指定，例如

    fileEncoding = "UCS-2LE"    # Windows ‘Unicode’ files
    fileEncoding = "UTF-8"
    

    如果你（正確地）知道檔案編碼，這幾乎總是可行的。不過，我們知道有一個例外，帶有 BOM 的 UTF-8 檔案。有些人聲稱 UTF-8 檔案不應該有 BOM，但有些軟體（顯然包括 Excel:mac）會使用它們，而且許多類 Unix 作業系統不接受它們。因此，面對 file 報告為

    intro.dat: UTF-8 Unicode (with BOM) text
    

    的檔案，可以在 Windows 上透過

    read.table("intro.dat", fileEncoding = "UTF-8")
    

    讀取，但在類 Unix 作業系統上可能需要

    read.table("intro.dat", fileEncoding = "UTF-8-BOM")
    

    （這在 UTF-8 區域設定中不指定編碼時很可能會起作用。）

方便函式 read.csv 和 read.delim 提供參數給 read.table，適用於從英語系區域設定中的試算表匯出的 CSV 和分隔符號分隔的檔案。變體 read.csv2 和 read.delim2 適用於使用逗號作為小數點，以及（對於 read.csv2）使用分號分隔欄位的試算表的區域設定中使用。

如果 read.table 的選項指定不正確，錯誤訊息通常會是

Error in scan(file = file, what = what, sep = sep, : 
        line 1 did not have 5 elements

或

Error in read.table("files.dat", header = TRUE) : 
        more columns than column names

這可能會提供足夠的資訊來找出問題，但輔助函式 count.fields 可以用於進一步調查。

在讀取大型資料網格時，效率很重要。指定 comment.char = ""、colClasses 為每個欄位的原子向量類型（邏輯、整數、數字、複數、字元或可能是原始）以及提供 nrows（要讀取的列數）（而且輕微的高估比完全不指定要好）會有幫助。請參閱後續章節中的範例。

2.2 固定寬度格式檔案 ¶

有時資料檔案沒有欄位分隔符號，但欄位位於預先指定的欄中。在穿孔卡的時代，這是很常見的，現在有時仍用於節省檔案空間。

函數 read.fwf 提供一個簡單的方法來讀取此類檔案，指定欄位寬度的向量。此函數將檔案讀入記憶體中作為整行，分割產生的字元字串，寫出一個暫時的 tab 分隔檔案，然後呼叫 read.table。這對於小型檔案來說已經足夠了，但對於任何更複雜的檔案，我們建議使用類似 perl 的語言的工具來預先處理檔案。

函數 read.fortran 是固定格式檔案的類似函數，使用 Fortran 樣式的欄位規格。

2.3 資料交換格式 (DIF) ¶

有時用於試算表格式資料的舊格式是 DIF，或資料交換格式。

函數 read.DIF 提供一個簡單的方法來讀取此類檔案。它採用類似於 read.table 的引數來指定每個欄的類型。

在 Windows 上，試算表程式經常將複製到剪貼簿的試算表資料儲存在此格式中；read.DIF("clipboard") 可以直接從中讀取。在處理具有空白儲存格的試算表時，它比 read.table("clipboard") 稍為強健。

2.4 直接使用 scan ¶

read.table 和 read.fwf 都使用 scan 來讀取檔案，然後處理 scan 的結果。它們非常方便，但有時最好直接使用 scan。

函數 scan 有許多引數，其中大部分我們已於 read.table 中討論過。最重要的引數是 what，它指定要從檔案讀取的變數模式清單。如果清單有命名，則名稱會用於傳回清單的組成部分。模式可以是數字、字元或複雜的，通常由範例指定，例如 0、"" 或 0i。例如

cat("2 3 5 7", "11 13 17 19", file="ex.dat", sep="\n")
scan(file="ex.dat", what=list(x=0, y="", z=0), flush=TRUE)

傳回一個有三個組成部分的清單，並捨棄檔案中的第四欄。

有一個函數 readLines，如果您只想將整行讀入 R 以供進一步處理，它會更方便。

一個 scan 常見的用途是讀取大型矩陣。假設檔案 matrix.dat 僅包含 200 x 2000 矩陣的數字。然後我們可以使用

A <- matrix(scan("matrix.dat", n = 200*2000), 200, 2000, byrow = TRUE)

在一個測試中，這花費 1 秒（在 Linux 下，在同一台機器上的 Windows 下花費 3 秒），而

A <- as.matrix(read.table("matrix.dat"))

花費 10 秒（以及更多記憶體），而

A <- as.matrix(read.table("matrix.dat", header = FALSE, nrows = 200,
                          comment.char = "", colClasses = "numeric"))

花費 7 秒。差異幾乎完全是因讀取 2000 個獨立的短欄所產生的負擔：如果它們的長度為 2000，scan 花費 9 秒，而 read.table 在有效率地使用（特別是，指定 colClasses）時花費 18 秒，在單純地使用時花費 125 秒。

請注意，計時可能會取決於所讀取的類型和資料。考慮讀取一百萬個不同的整數

writeLines(as.character((1+1e6):2e6), "ints.dat")
xi <- scan("ints.dat", what=integer(0), n=1e6)   # 0.77s
xn <- scan("ints.dat", what=numeric(0), n=1e6)   # 0.93s
xc <- scan("ints.dat", what=character(0), n=1e6) # 0.85s
xf <- as.factor(xc)                              # 2.2s
DF <- read.table("ints.dat")                     # 4.5s

以及一百萬個小組代碼範例

code <- c("LMH", "SJC", "CHCH", "SPC", "SOM")
writeLines(sample(code, 1e6, replace=TRUE), "code.dat")
y <- scan("code.dat", what=character(0), n=1e6)  # 0.44s
yf <- as.factor(y)                               # 0.21s
DF <- read.table("code.dat")                     # 4.9s
DF <- read.table("code.dat", nrows=1e6)          # 3.6s

請注意，這些計時在很大程度上取決於作業系統（Windows 中的基本讀取至少比這些 Linux 時間長兩倍）以及垃圾收集器的精確狀態。

2.5 重新塑造資料 ¶

有時候，試算表資料會以一種緊湊的格式呈現，提供每個受試者的協變數，接著是對該受試者的所有觀察值。R 的建模函數需要將觀察值放在單一欄中。考慮以下重複 MRI 大腦測量資料的範例

 Status   Age    V1     V2     V3    V4
      P 23646 45190  50333  55166 56271
     CC 26174 35535  38227  37911 41184
     CC 27723 25691  25712  26144 26398
     CC 27193 30949  29693  29754 30772
     CC 24370 50542  51966  54341 54273
     CC 28359 58591  58803  59435 61292
     CC 25136 45801  45389  47197 47126

有兩個協變數和每個主體最多四個測量。資料從 Excel 匯出為檔案 mr.csv。

我們可以使用 stack 來幫助處理這些資料，以提供單一回應。

zz <- read.csv("mr.csv", strip.white = TRUE)
zzz <- cbind(zz[gl(nrow(zz), 1, 4*nrow(zz)), 1:2], stack(zz[, 3:6]))

結果如下

      Status   Age values ind
X1         P 23646  45190  V1
X2        CC 26174  35535  V1
X3        CC 27723  25691  V1
X4        CC 27193  30949  V1
X5        CC 24370  50542  V1
X6        CC 28359  58591  V1
X7        CC 25136  45801  V1
X11        P 23646  50333  V2
...

函數 unstack 朝相反方向進行，可能有助於匯出資料。

另一個執行此操作的方法是使用函數 reshape，透過

> reshape(zz, idvar="id",timevar="var",
  varying=list(c("V1","V2","V3","V4")),direction="long")
    Status   Age var    V1 id
1.1      P 23646   1 45190  1
2.1     CC 26174   1 35535  2
3.1     CC 27723   1 25691  3
4.1     CC 27193   1 30949  4
5.1     CC 24370   1 50542  5
6.1     CC 28359   1 58591  6
7.1     CC 25136   1 45801  7
1.2      P 23646   2 50333  1
2.2     CC 26174   2 38227  2
...

函數 reshape 的語法比 stack 複雜，但可用於「長」格式資料，其中資料欄位多於此範例中的欄位。使用 direction="wide"，reshape 也可以執行相反的轉換。

有些人偏好套件 reshape、reshape2 和 plyr 中的工具。

2.6 平面列聯表 ¶

以陣列形式顯示高維度列聯表通常相當不方便。在分類資料分析中，此類資訊通常以有邊界的二維陣列形式表示，其中前導列和欄指定對應於儲存格計數的因子層級組合。這些列和欄通常是「參差不齊」的，因為標籤僅在變更時顯示，並遵循明顯的慣例，即從上到下讀取列，從左到右讀取欄。在 R 中，可以使用 ftable 建立此類「平面」列聯表， 它會建立類別為 "ftable" 的物件，並具有適當的列印方法。

作為一個簡單範例，考慮 R 標準資料集 UCBAdmissions，它是一個三度列聯表，來自於 1973 年加州大學柏克萊分校六個最大系所的研究所申請者，依錄取與性別分類。

> data(UCBAdmissions)
> ftable(UCBAdmissions)
                Dept   A   B   C   D   E   F
Admit    Gender                             
Admitted Male        512 353 120 138  53  22
         Female       89  17 202 131  94  24
Rejected Male        313 207 205 279 138 351
         Female       19   8 391 244 299 317

列印表示法明顯比將資料顯示為三度陣列更有用。

還有一個函數 read.ftable 用於從檔案讀取類平面列聯表。 對於如何精確表示列和欄位變數名稱和層級的資訊，它有額外的參數來處理變異。 read.ftable 的說明頁面有一些有用的範例。平面表格可以使用 as.table 轉換成陣列形式的標準列聯表。

請注意，平面表格的特徵是其列 (和可能還有欄位) 標籤的「參差不齊」顯示。如果給出列變數層級的完整網格，則應該改用 read.table 讀取資料，並使用 xtabs 從中建立列聯表。

3.1 EpiInfo、Minitab、S-PLUS、SAS、SPSS、Stata、Systat ¶

建議套件 foreign 提供匯入這些統計系統產生的檔案，以及匯出到 Stata 的功能。在某些情況下，這些函數所需的記憶體可能大幅少於 read.table。 write.foreign（請參閱 匯出到文字檔案）提供匯出機制，目前支援 SAS、SPSS 和 Stata。

EpiInfo 版本 5 和 6 將資料儲存在自述式固定寬度文字格式中。 read.epiinfo 會將這些 .REC 檔案讀取到 R 資料框中。EpiData 也會產生這種格式的資料。

函數 read.mtp 會匯入「Minitab 可攜式工作表」。這會將工作表的組成部分傳回為 R 清單。

函數 read.xport 會讀取 SAS 傳輸 (XPORT) 格式的檔案，並傳回資料框清單。如果系統中有 SAS，可以使用函數 read.ssd 來建立並執行 SAS 腳本，將 SAS 永久資料集 (.ssd 或 .sas7bdat) 儲存為傳輸格式。然後它會呼叫 read.xport 來讀取產生的檔案。（套件 Hmisc 有類似的函數 sas.get，也會執行 SAS。）對於無法使用 SAS 但執行 Windows 的人來說，SAS 系統檢視器（可免費下載）可用於開啟 SAS 資料集，並將其匯出為例如 .csv 格式。

函數 read.S 可以讀取 S-PLUS 3.x、4.x 或 2000 在 (32 位元) Unix 或 Windows 上產生的二進位物件（並可以在不同的作業系統上讀取）。這能夠讀取許多但並非所有 S 物件：特別是它可以讀取向量、矩陣和資料框，以及包含這些內容的清單。

函數 data.restore 讀取 S-PLUS 資料傾印（由 data.dump 建立），具有相同的限制（但也可以讀取 Alpha 平台的傾印）。應該可以讀取 S-PLUS 5.x 和更新版本使用 data.dump(oldStyle=T) 編寫的資料傾印。

如果您有權存取 S-PLUS，通常在 S-PLUS 中 dump 物件，然後在 R 中 source 傾印檔案會比較可靠。對於 S-PLUS 5.x 和更新版本，您可能需要使用 dump(..., oldStyle=T)，而要讀取非常大的物件，最好將傾印檔案用作批次指令碼，而不是使用 source 函數。

函數 read.spss 可以讀取 SPSS 中的「儲存」和「匯出」指令建立的檔案。它會傳回一個清單，其中每個儲存資料集中的變數有一個元件。SPSS 具有值標籤的變數會選擇性地轉換為 R 因子。

SPSS 資料輸入是一個用於建立資料輸入表單的應用程式。預設情況下，它會建立具有 read.spss 無法處理的額外格式化資訊的資料檔案，但可以將資料匯出為一般 SPSS 格式。

一些第三方應用程式宣稱以「SPSS 格式」產生資料，但格式有差異：read.spss 可能可以或可能無法處理這些資料。

Stata .dta 檔案是一種二進位檔案格式。Stata 5 到 12 版本的檔案可以用函式 read.dta 和 write.dta 讀取和寫入。具有值標籤的 Stata 變數可以選擇轉換成 (和從) R 因子。對於 Stata 13 和後續版本，請參閱 CRAN 套件 readstata13 和 haven。

read.systat 會讀取那些矩形資料檔 (mtype = 1) 的 Systat SAVE 檔案，這些檔案寫入於小端序機器 (例如 Windows) 中。這些檔案的副檔名為 .sys 或 (較新的) .syd。

3.2 Octave ¶

Octave 是數值線性代數系統 (https://octave.org/)，套件 foreign 中的函式 read.octave 可以讀取使用 Octave 指令 save -ascii 建立的 Octave 文字資料格式檔案，並支援大部分常見的變數類型，包括標準原子 (實數和複數純量、矩陣和 N 維陣列、字串、範圍，以及布林純量和矩陣) 和遞迴 (結構、儲存格和清單) 型態。

4.1 為何使用資料庫？ ¶

R 處理資料的類型有其限制。由於 R 處理的所有資料都存在於記憶體中，而且在執行函數期間可能會建立多份資料副本，因此 R 不適合處理極大型的資料集。超過 (幾) 百 MB 的資料物件可能會導致 R 記憶體不足，特別是在 32 位元作業系統上。

R 不容易支援同時存取資料。也就是說，如果有多位使用者存取，甚至更新相同的資料，一位使用者所做的變更對其他使用者來說將不可見。

R 確實支援資料的持續性，您可以從一個工作階段儲存資料物件或整個工作表，並在後續工作階段還原，但儲存資料的格式特定於 R，其他系統不容易處理。

資料庫管理系統 (DBMS)，特別是關聯式資料庫管理系統 (RDBMS) 被設計成能處理所有這些事情。它們的優點是

1. 快速存取大型資料庫的特定部分。
2. 強大的方式來彙總和交叉製表資料庫中的欄。
3. 以比試算表和 R 資料框的矩形網格模型更井然有序的方式儲存資料。
4. 來自執行於多個主機上的多個用戶端同時存取，同時對資料存取強制執行安全性約束。
5. 能夠作為各種用戶端的伺服器。

DBMS 可能用於提取 10% 的資料樣本、交叉製表資料以產生多維度列聯表，以及從資料庫中按組提取資料以進行個別分析等統計應用程式。

由於這些原因，作業系統本身越來越頻繁地使用 DBMS，因此現在很可能在您的（非 Windows）作業系統上已經安裝了 DBMS。KDE4 使用 Akonadi 來儲存個人資訊。多個 macOS 應用程式，包括郵件和通訊錄，使用 SQLite。

4.2 RDBMS 概述 ¶

傳統上，一直有大型（且昂貴）的商用 RDBMS（Informix；Oracle；Sybase；IBM 的 DB2；Microsoft SQL Server 在 Windows 上）以及學術和小型系統資料庫（例如 MySQL⁴、PostgreSQL、Microsoft Access，…），前者以更強調資料安全性功能為特點。隨著 MySQL 和 PostgreSQL 擁有越來越多的高階功能，以及商用 DBMS 提供免費的「快速」版本，界線變得模糊。

還有其他常用的資料來源，包括試算表、非關聯式資料庫，甚至文字檔（可能是壓縮的）。開放式資料庫連線（ODBC）是一個用於所有這些資料來源的標準。它起源於 Windows（請參閱 https://docs.microsoft.com/zh-tw/sql/odbc/microsoft-open-database-connectivity-odbc），但也在 Linux/Unix/macOS 上實作。

本章節稍後描述的所有套件都提供客戶端到客戶端/伺服器資料庫的客戶端。資料庫可以駐留在同一台機器上，或（更常）遠端。有一個 ISO 標準（事實上好幾個：SQL92 是 ISO/IEC 9075，也稱為 ANSI X3.135-1992，而 SQL99 已開始使用）用於稱為 SQL（結構化查詢語言，有時發音為「sequel」：請參閱 Bowman 等人 1996 年和 Kline 與 Kline 2001 年）的介面語言，這些 DBMS 在不同程度上支援這些語言。

• SQL 查詢
• 資料類型

SELECT State, Murder FROM USArrests WHERE Rape > 30 ORDER BY Murder

SELECT t.sch, c.meanses, t.sex, t.achieve
  FROM student as t, school as c WHERE t.sch = c.id

SELECT sex, COUNT(*) FROM student GROUP BY sex

SELECT sch, AVG(sestat) FROM student GROUP BY sch LIMIT 10

4.3 R 介面套件 ¶

在 CRAN 上有許多可用套件，協助 R 與 DBMS 通訊。它們提供不同層級的抽象。有些提供將整個資料框複製至資料庫或從資料庫複製資料的方法。所有套件都具有透過 SQL 查詢在資料庫中選取資料的功能，並將結果作為一個整體擷取為資料框或分批擷取（通常為群組列）。

除了 RODBC 之外，所有套件都與一個 DBMS 連結，但已提出一個統一的「前端」套件 DBI (https://developer.r-project.org/db/)，搭配一個「後端」，其中最開發完成的是 RMySQL。在 CRAN 上還有後端 ROracle、RPostgreSQL 和 RSQLite（與綑綁的 DBMS SQLite 搭配使用，https://www.sqlite.org/index.html），以及 RJDBC（使用 Java，可以連線到任何具有 JDBC 驅動程式的 DBMS）。

PL/R (https://github.com/postgres-plr/plr) 是將 R 嵌入 PostgreSQL 的專案。

套件 RMongo 提供 R 介面，連線到「MongoDB」(https://en.wikipedia.org/wiki/MongoDB) 資料庫的 Java 程式客戶端，該資料庫使用 JavaScript 而不是 SQL 進行查詢。套件 mongolite 是另一個使用 mongodb 的 C 驅動程式的客戶端。

• 使用 DBI 的套件
• 套件 RODBC

> library(RMySQL) # will load DBI as well
## open a connection to a MySQL database
> con <- dbConnect(dbDriver("MySQL"), dbname = "test")
## list the tables in the database
> dbListTables(con)
## load a data frame into the database, deleting any existing copy
> data(USArrests)
> dbWriteTable(con, "arrests", USArrests, overwrite = TRUE)
TRUE
> dbListTables(con)
[1] "arrests"
## get the whole table
> dbReadTable(con, "arrests")
               Murder Assault UrbanPop Rape
Alabama          13.2     236       58 21.2
Alaska           10.0     263       48 44.5
Arizona           8.1     294       80 31.0
Arkansas          8.8     190       50 19.5
...
## Select from the loaded table
> dbGetQuery(con, paste("select row_names, Murder from arrests",
                        "where Rape > 30 order by Murder"))
   row_names Murder
1   Colorado    7.9
2    Arizona    8.1
3 California    9.0
4     Alaska   10.0
5 New Mexico   11.4
6   Michigan   12.1
7     Nevada   12.2
8    Florida   15.4
> dbRemoveTable(con, "arrests")
> dbDisconnect(con)

> library(RODBC)
## tell it to map names to l/case
> channel <- odbcConnect("testdb", uid="ripley", case="tolower")
## load a data frame into the database
> data(USArrests)
> sqlSave(channel, USArrests, rownames = "state", addPK = TRUE)
> rm(USArrests)
## list the tables in the database
> sqlTables(channel)
  TABLE_QUALIFIER TABLE_OWNER TABLE_NAME TABLE_TYPE REMARKS
1                              usarrests      TABLE        
## list it
> sqlFetch(channel, "USArrests", rownames = "state")
               murder assault urbanpop rape
Alabama          13.2     236       58 21.2
Alaska           10.0     263       48 44.5
    ...
## an SQL query, originally on one line
> sqlQuery(channel, "select state, murder from USArrests
           where rape > 30 order by murder")
       state murder
1 Colorado      7.9
2 Arizona       8.1
3 California    9.0
4 Alaska       10.0
5 New Mexico   11.4
6 Michigan     12.1
7 Nevada       12.2
8 Florida      15.4
## remove the table
> sqlDrop(channel, "USArrests")
## close the connection
> odbcClose(channel)

> library(RODBC)
> channel <- odbcConnectExcel("bdr.xls")
## list the spreadsheets
> sqlTables(channel)
  TABLE_CAT TABLE_SCHEM        TABLE_NAME   TABLE_TYPE REMARKS
1 C:\\bdr            NA           Sheet1$ SYSTEM TABLE      NA
2 C:\\bdr            NA           Sheet2$ SYSTEM TABLE      NA
3 C:\\bdr            NA           Sheet3$ SYSTEM TABLE      NA
4 C:\\bdr            NA Sheet1$Print_Area        TABLE      NA
## retrieve the contents of sheet 1, by either of
> sh1 <- sqlFetch(channel, "Sheet1")
> sh1 <- sqlQuery(channel, "select * from [Sheet1$]")

5.1 二進位資料格式 ¶

套件 h5、Bioconductor 的 rhdf5、RNetCDF 和 ncdf4 在 CRAN 上提供介面，可連線到 NASA 的 HDF5（階層式資料格式，請參閱 https://www.hdfgroup.org/HDF5/）和 UCAR 的 netCDF 資料檔案（網路通用資料格式，請參閱 https://www.unidata.ucar.edu/software/netcdf/）。

這兩個系統都是以陣列為導向的方式儲存科學資料，包括描述、標籤、格式、單位等。HDF5 也允許陣列的 群組，而 R 介面會將清單對應到 HDF5 群組，並可以寫入數字和字元向量及矩陣。

NetCDF 的版本 4 格式（令人困惑的是，在 netCDF 4.1.1 及後續版本中實作，但不在 4.0.1 中）包含使用各種 HDF5 格式。這由套件 ncdf4 處理，而 RNetCDF 處理版本 3 檔案。

支援這些格式的軟體可用性在不同平台上有些許限制，特別是在 Windows 上。

5.2 dBase 檔案 (DBF) ¶

dBase 是由 Ashton-Tate 編寫的 DOS 程式，後來由 Borland 擁有，它有一個二進制平面檔案格式，變得流行，檔案副檔名為 .dbf。它已被採用於「Xbase」資料庫系列，涵蓋 dBase、Clipper、FoxPro 及其 Windows 等效版本 Visual dBase、Visual Objects 和 Visual FoxPro（請參閱 https://www.clicketyclick.dk/databases/xbase/format/）。dBase 檔案包含標頭，然後是一系列欄位，因此最類似於 R 資料框。資料本身以文字格式儲存，可以包含字元、邏輯和數字欄位，以及後續版本中的其他類型（例如，請參閱 https://www.loc.gov/preservation/digital/formats/fdd/fdd000325.shtml 和 https://www.clicketyclick.dk/databases/xbase/format/index.html）。

函式 read.dbf 和 write.dbf 提供方法，可以在所有 R 平台上讀取和寫入基本 DBF 檔案。對於 Windows 使用者，套件 RODBC 中的 odbcConnectDbase 提供更全面的功能，可透過 Microsoft 的 dBase ODBC 驅動程式讀取 DBF 檔案（也可以透過 odbcDriverConnect 使用 Visual FoxPro 驅動程式）。

7.1 連線類型 ¶

最常見的連線類型是檔案，檔案連線是由函式 file 建立。檔案連線可以（如果作業系統允許特定檔案）以文字或二進位模式開啟用於讀取、寫入或附加。事實上，檔案可以同時開啟用於讀取和寫入，R 會分別為讀取和寫入保留獨立的檔案位置。

請注意，預設情況下，連線在建立時不會開啟。規則是，使用連線的函式應在連線尚未開啟時開啟連線（必要），並在使用後關閉連線（如果已開啟）。簡而言之，將連線保留在您找到它的狀態。有通用函式 open 和 close，其方法可明確開啟和關閉連線。

使用 gzip 演算法壓縮的檔案可以用函式 gzfile 建立的連線，而使用 bzip2 壓縮的檔案可以用 bzfile 使用。

Unix 程式設計師習慣處理特殊檔案 stdin、stdout 和 stderr。這些存在於 R 中作為終端機連線。它們可能是普通檔案，但它們也可能參考 GUI 主控台的輸入和輸出。（即使使用標準 Unix R 介面，stdin 也會參考從 readline 提交的行，而不是檔案。）

三個終端連線始終處於開啟狀態，且無法開啟或關閉。stdout 和 stderr 通常分別用於一般輸出和錯誤訊息。它們通常會導向同一個地方，但一般輸出可以透過呼叫 sink 重新導向，而錯誤輸出會傳送至 stderr，除非透過 sink, type="message") 重新導向。請仔細注意這裡使用的語言：連線無法重新導向，但輸出可以傳送至其他連線。

文字連線 是另一個輸入來源。它們允許 R 字元向量讀取，彷彿這些列是從文字檔讀取的。文字連線會透過呼叫 textConnection 建立並開啟，這會在建立時將字元向量的目前內容複製到內部緩衝區。

文字連線也可以用來擷取 R 輸出到字元向量。textConnection 可以要求建立新的字元物件或附加到現有的字元物件，這兩種情況都在使用者的工作區中。連線會透過呼叫 textConnection 開啟，而輸出至連線的完整列會隨時在 R 物件中提供。關閉連線會將任何剩餘輸出寫入字元向量的最後一個元素。

管道是一種連接到其他程序的特殊檔案形式，而管道連線是由函式 pipe 建立的。開啟一個管道連線以供寫入（將資料附加到管道中沒有意義）會執行一個作業系統指令，並將其標準輸入連接到 R 接著寫入該連線的任何內容。相反地，開啟一個管道連線以供輸入會執行一個作業系統指令，並讓其標準輸出可供 R 從該連線輸入。

URL 類型的「http://」、「https://」、「ftp://」和「file://」可以使用函式 url 讀取。為了方便起見，file 也會接受這些作為檔案規格，並呼叫 url。

在支援類 Berkeley 資訊插座的平台（大多數 Unix 系統、Linux 和 Windows）上，資訊插座也可以透過函式 socketConnection 作為連線使用。資訊插座可以寫入或讀取，且可以使用用戶端和伺服器資訊插座。

7.2 輸出到連線 ¶

我們已經描述了函式 cat、write、write.table 和 sink 作為寫入檔案，如果參數 append = TRUE，則可能會附加到檔案，而這正是它們在 R 版本 1.2.0 之前所做的。

目前的行為是等效的，但實際上發生的是，當 file 參數為字元串時，會開啟一個檔案連線（用於寫入或附加），並在函式呼叫結束時再次關閉。如果我們想要重複寫入同一個檔案，更有效率的做法是明確宣告並開啟連線，並將連線物件傳遞給每個輸出函式的呼叫。這也讓寫入管線成為可能，這在較早之前透過語法 file = "|cmd"（仍可使用）以有限的方式實作。

有一個函式 writeLines 可將完整的文字行寫入連線。

一些簡單的範例是

zz <- file("ex.data", "w")  # open an output file connection
cat("TITLE extra line", "2 3 5 7", "", "11 13 17", 
    file = zz, sep = "\n")
cat("One more line\n", file = zz)
close(zz)

## convert decimal point to comma in output, using a pipe (Unix)
## both R strings and (probably) the shell need \ doubled
zz <- pipe(paste("sed s/\\\\./,/ >", "outfile"), "w")
cat(format(round(rnorm(100), 4)), sep = "\n", file = zz)
close(zz)
## now look at the output file:
file.show("outfile", delete.file = TRUE)

## capture R output: use examples from help(lm)
zz <- textConnection("ex.lm.out", "w")
sink(zz)
example(lm, prompt.echo = "> ")
sink()
close(zz)
## now ‘ex.lm.out’ contains the output for futher processing.
## Look at it by, e.g.,
cat(ex.lm.out, sep = "\n")

7.3 從連線輸入 ¶

從連線讀取的基本函式為 scan 和 readLines。這些函式會取得一個字元串參數，並在函式呼叫期間開啟一個檔案連線，但明確開啟一個檔案連線允許以不同的格式循序讀取一個檔案。

其他呼叫 scan 的函式也可以使用連線，特別是 read.table。

一些簡單的範例是

## read in file created in last examples
readLines("ex.data")
unlink("ex.data")

## read listing of current directory (Unix)
readLines(pipe("ls -1"))

# remove trailing commas from an input file.
# Suppose we are given a file ‘data’ containing
450, 390, 467, 654,  30, 542, 334, 432, 421,
357, 497, 493, 550, 549, 467, 575, 578, 342,
446, 547, 534, 495, 979, 479
# Then read this by
scan(pipe("sed -e s/,$// data"), sep=",")

為了方便起見，如果 file 參數指定一個 FTP、HTTP 或 HTTPS URL，URL 會透過 url 開啟以進行讀取。也可以透過『file://foo.bar』指定檔案。

• 推回

> zz <- textConnection(LETTERS)
> readLines(zz, 2)
[1] "A" "B"
> scan(zz, "", 4)
Read 4 items
[1] "C" "D" "E" "F"
> pushBack(c("aa", "bb"), zz)
> scan(zz, "", 4)
Read 4 items
[1] "aa" "bb" "G"  "H" 
> close(zz)

7.4 列出和操作連線 ¶

使用者目前開啟的所有連線摘要可透過 showConnections() 找到，而所有連線（包括已關閉和終端機連線）的摘要可透過 showConnections(all = TRUE) 找到。

通用函數 seek 可用於讀取並（在某些連線）重設目前位置，以進行讀取或寫入。不幸的是，這取決於可能不可靠的操作系統功能（例如 Windows 下的文字檔案）。函數 isSeekable 會報告 seek 是否可以變更其引數所提供的連線位置。

函數 truncate 可用於截斷在目前位置開啟可寫入的檔案。它僅適用於 file 連線，且並非在所有平台上皆有實作。

7.5 二進位連線 ¶

函數 readBin 和 writeBin 可讀取和寫入二進位連線。透過將 "b" 附加至模式規格，即可在二進位模式中開啟連線，也就是使用模式 "rb" 進行讀取，以及模式 "wb" 或 "ab"（視情況而定）進行寫入。這些函數具有下列參數

readBin(con, what, n = 1, size = NA, endian = .Platform$endian) 
writeBin(object, con, size = NA, endian = .Platform$endian) 

在每種情況下，con 都是一個連線，在呼叫期間需要開啟，如果給定字元串，則假設它指定一個檔名。

描述寫入會稍微簡單一些，因此我們將先這麼做。 object 應為原子向量物件，也就是模式為 numeric、integer、logical、character、complex 或 raw 的向量，且沒有屬性。預設情況下，這會以位元組串流的形式寫入檔案，其表示方式與在記憶體中的完全相同。

readBin 會從檔案讀取位元組串流，並將其解譯為由 what 給定的模式向量。這可以是適當模式的物件（例如 what=integer()）或描述模式的字元串（前一段落中給定的五個字元串之一，或 "double" 或 "int"）。參數 n 指定從連線讀取的向量元素最大數量：如果可用的數量較少，則會傳回較短的向量。參數 signed 允許將 1 位元組和 2 位元組整數讀取為有號（預設）或無號整數。

其餘兩個參數用於寫入或讀取資料，以便與其他程式或其他平台交換。預設會將二進位資料直接從記憶體傳輸到連線，或反之亦然。如果資料要傳輸到架構不同的機器，這是不夠的，但在幾乎所有 R 平台之間，唯一需要的變更就是位元組順序。常見的個人電腦（基於「ix86」和「x86_64」的機器）、康柏 Alpha 和 Vaxen 是小端序，而 Sun Sparc、mc680x0 系列、IBM R6000、SGI 和大多數其他機器則是大端序。（網路位元組順序（XDR，外部資料表示法所使用）是大端序。）要傳輸到或從其他程式，我們可能需要執行更多動作，例如讀取 16 位元整數或寫入單精度實數。這可以使用size參數來完成，它（通常）允許整數和邏輯值的尺寸為 1、2、4、8，以及實數的尺寸為 4、8，或許還有 12 或 16。以不同的尺寸傳輸可能會失去精度，且不應嘗試對包含NA的向量進行傳輸。

字元字串會以 C 格式讀取和寫入，也就是以一個以零位元組終止的位元組字串為格式。函數readChar和writeChar提供更大的彈性。

• 特殊值

8.1 從 socket 讀取 ¶

基礎 R 提供一些功能，讓使用者可以在支援的系統上使用 via BSD socket 進行通訊（包括 R 常見的 Linux、Unix 和 Windows 埠）。使用 socket 的一個潛在問題是，這些功能通常會因為安全性考量或強制使用網路快取而遭到封鎖，因此這些功能在內部網路比在外部網路更實用。建議在新的專案中使用 socket 連線。

較早期的低階介面由函式 make.socket、read.socket、write.socket 和 close.socket 提供。

8.2 使用 download.file ¶

函式 download.file 可用來透過 FTP 或 HTTP（包括 HTTPS）從網路資源讀取檔案，並將其寫入檔案。通常可以避免這種情況，因為 read.table 和 scan 等函式可以直接從 URL 讀取，方法是明確使用 url 開啟連線，或隱含使用它，方法是將 URL 指定為 file 參數。