1 Doel

Data vormen de grondstof waarmee onderzoekers aan de slag gaan. Deze data zijn vaak in tabellen georganiseerd, die bestaan uit rijen en kolommen. Deze tabellen kunnen opgeslagen zijn in de vorm van verschillende bestandstypes: er bestaan onder meer csv-bestanden, Excelbestanden, data afkomstig uit SPSS en nog meer. Je herkent het type van elk bestand aan de extensie, dat wil zeggen de drie letters aan het einde van de bestandsnaam, na het punt.¹ Bijvoorbeeld, bestanden van het type “csv” herken je aan het feit dat de bestandsnaam eindigt op “.csv”.

Hieronder bespreken we de meest voorkomende bestandstypes en de functies die je kan gebruiken om ze in te lezen in R.

In de verschillende demonstraties zullen we steeds dezelfde dataset inlezen, maar telkens vanuit een verschillend bestandstype. Het doel is elke keer om een dataframe te bekomen dat beschikbaar is voor analyse in R.

In sommige demonstraties bespreken we een beperkt aantal vaak voorkomende problemen bij het inladen. Als je een probleem ervaart dat hier niet besproken wordt, dan heb je nog verschillende opties om een oplossing te vinden. Eerst kan je de hulppagina van een functie oproepen door een vraagteken ? voor de naam van de functie te plaatsen, zoals hieronder. In het tabblad “Help” rechts onderaan in RStudio verschijnt dan een algemene beschrijving van de functie en wat uitleg bij elk argument dat je aan de functie kan meegeven.

?read.csv

Vind je het antwoord daar niet, dan is het aangeraden om je probleem te googlen of om een AI-chatbot te raadplegen. Kopieer bijvoorbeeld de eventuele “error” boodschap die R je geeft en ga op basis daarvan op zoek.

2 De dataset

De dataset enquete bevat gegevens van 14 variabelen geobserveerd bij 42 Amerikaanse studenten die een vak statistiek volgen. Deze dataset is gebaseerd op een dataset die hier wordt beschreven.

In elke demonstratie tonen we hoe je data kan inladen uit een bestand dat zich in de “working directory” op je computer bevindt. Die working directory kan je zelf kiezen met de functie setwd(). Meer info vind je hier vanaf onderdeel 8.1.3.

Als je de code op deze pagina zelf wil uitvoeren zal je de verschillende databestanden lokaal moeten opslaan (bij voorkeur dus in de working directory). De bestanden kan je hieronder downloaden. Door op de laatste link te klikken kan je ze allemaal samen downloaden in de vorm van een zip-bestand.

3 csv

De afkorting csv staat voor “comma-separated values”. Bij deze databestanden eindigt de naam op “.csv”. (Afhankelijk van je instellingen zie je die extensie misschien niet uitdrukkelijk vermeld staan in de map op je computer).

De dataset kan je inladen met de functie read.csv(). De data breng je best meteen onder in een object enquete zodat je ze later makkelijk opnieuw kan oproepen.

Als het bestand zich in je working directory bevindt, dan volstaat het om de naam van het bestand te geven aan de functie read.csv(). Vergeet de aanhalingstekens niet.

enquete <- read.csv('enquete_inlezen.csv')

Als het bestand zich niet in je working directory bevindt, dan moet je het volledige “pad” meegeven. Dit pad is verschillend voor iedereen. Let ook op de “forward slashes” /. In een Microsoft Windows-omgeving wordt een pad naar een bestand genoteerd met “back slashes” \. Als je in die omgeving werkt dan moet je het pad nog veranderen zodat er enkel / in voorkomen.

enquete <- read.csv('C:/Users/jjanssens/OneDrive - UGent/Documenten/R/mijn-map-met-data/enquete_inlezen.csv')

Het is ook mogelijk om een csv-bestand rechtstreeks van het internet in te laden. Je hoeft het dan niet te downloaden naar je working directory. Om dat te doen geef je de url (een adres op het internet) aan de functie read.csv(), zoals in het voorbeeld hieronder.

enquete <- read.csv('https://statlas.ugent.be/datasets/enquete_inlezen.csv')

4 txt

Data kunnen voorkomen in de vorm van een eenvoudig tekstbestand, met extensie “.txt” achter de naam. Data in dit bestandstype kan je inladen met de functie read.table(). Met het argument header=TRUE vertellen we aan R dat de eerste rij van het txt-bestand de namen van de kolommen/variabelen bevat. Als dat niet het geval is in jouw dataset, dan kan je dit uiteraard weglaten. De ingelezen data breng je best meteen onder in een object enquete zodat je ze later makkelijk opnieuw kan oproepen.

enquete <- read.table('enquete_inlezen.txt', header=TRUE)

Net als bij de functie read.csv() is het ook mogelijk om data rechtstreeks van een url in te laden.

enquete <- read.table('https://statlas.ugent.be/datasets/enquete_inlezen.txt', header=TRUE)

Terzijde geven we mee dat de functie read.table() een meer algemene versie is van read.csv().² Daarmee bedoelen we dat bij het aanroepen van de functie read.csv() achter de schermen eigenlijk read.table() wordt aangeroepen, maar dan met een aantal argumenten reeds gespecifieerd. Zo is bij read.csv() standaard gekozen voor een komma , als scheidingsteken (argument sep) tussen variabelen/kolommen. Als je dataset inderdaad komma’s bevat tussen de kolommen, dan zullen ze dus automatisch correct worden ingelezen. Iets gelijkaardig geldt voor het argument header. Bij read.csv() is dit standaard gelijkgesteld aan TRUE wat betekent dat R ervan uitgaat dat de eerste rij in het bestand de namen van de variabelen bevat. Bij read.table() wordt standaard de eerste rij in het bestand geïnterpreteerd als deel van de data zelf.

Om dat laatste te verduidelijken kan je onderstaande code uitvoeren.

enquete <- read.table('enquete_inlezen.txt')
head(enquete) # toont de eerste zes rijen van het dataframe

     V1     V2          V3       V4       V5     V6             V7     V8
1 Index Sectie        Jaar Geslacht  Afstand Lengte Dominante.hand Munten
2     1      1 Vierde jaar    Vrouw 643.7376 157.48         Rechts   1.12
3     2      1 Eerste jaar    Vrouw 724.2048 154.94          Links     29
4     3      1 Eerste jaar    Vrouw 4828.032 154.94         Rechts    1.5
5     4      1 Eerste jaar      Man 160.9344 182.88         Rechts   0.07
6     5      1 Eerste jaar    Vrouw 3218.688 175.26         Rechts   0.12
         V9         V10   V11 V12      V13       V14
1 Wit.koord Zwart.koord Lezen  Tv Hartslag Berichten
2    106.68       15.24    80   3       71         3
3     114.3        12.7   100  10       78       100
4     55.88       10.16   100   4       80         2
5     101.6       10.16    50  25       63       200
6    121.92       17.78   200   5       63       100

R heeft automatisch kolomnamen V1, V2, V3, enzovoort toegevoegd aan het dataframe. Op de eerste rij zie je telkens de eigenlijke namen van de variabelen. Doordat bij de kwantitatieve variabelen nu een woord op de eerste rij staat zal R ook het datatype van die kolom automatisch veranderen. Hartslag is in principe natuurlijk kwantitatief van aard, maar wanneer we de functie class() aanroepen krijgen we nu character als output.

class(enquete$V13)

[1] "character"

5 xlsx (Microsoft Excel)

Het programma Microsoft Excel kent een specifiek bestandstype om data op te slaan. Deze bestanden eindigen op “.xlsx” of vroeger op “.xls”. Deze bestanden zijn ontworpen om gebruikt te worden in Excel.

Het is mogelijk om deze data in te laden in R, maar hiervoor zal je een specifiek package nodig hebben, met name openxlsx.³

install.packages('openxlsx') # eenmalig het package installeren
library(openxlsx) # het package laden voor gebruik

Als het package openxlsx geladen is, dan is de functie read_xlsx() beschikbaar. Je geeft eenvoudigweg de bestandsnaam aan de functie. De ingelezen data breng je best meteen onder in een object enquete zodat je ze later makkelijk opnieuw kan oproepen.

enquete <- read_xlsx('enquete_inlezen.xlsx')

Net als bij read.csv() is het ook mogelijk om met read_xlsx() data in te laden met een url.

enquete <- read_xlsx('https://statlas.ugent.be/datasets/enquete_inlezen.xlsx')

Een Excelbestand kan soms meerdere “sheets” of “bladen” bevatten. Als de data die jij wil inladen bijvoorbeeld op het tweede sheet staan, dan vul je de code aan met het argument sheet=2.

enquete <- read_xlsx('enquete_inlezen.xlsx', sheet=2)

Het gebeurt ook dat de data niet vanaf de eerste rij starten in het Excelbestand. Als de data in jouw Excelbestand bijvoorbeeld starten vanaf de vijfde rij, voeg je het argument startRow=5 toe.

enquete <- read_xlsx('enquete_inlezen.xlsx', startRow=5)

6 sav (SPSS)

Databestanden waarvan de naam eindigt op “.sav” zijn afkomstig uit SPSS, een wat achterhaald programma voor data-analyse dat vooral vroeger populair was. Deze sav-bestanden zijn specifiek ontworpen om gebruikt te worden in SPSS.

Om data uit zo’n bestand in te lezen in R kan je het package foreign gebruiken.⁴

install.packages('foreign') # eenmalig het package installeren
library(foreign) # het package laden voor gebruik

De functie read.spss() is nu beschikbaar. De ingelezen data breng je best meteen onder in een object enquete zodat je ze later makkelijk opnieuw kan oproepen. Het argument to.data.frame moet je zelf de waarde TRUE geven. Doe je dat niet, dan zal het object enquete geen dataframe zijn.⁵

enquete <- read.spss('enquete_inlezen.sav', to.data.frame=TRUE)

Ook hier is het mogelijk om data rechtstreeks van een url in te laden.

enquete <- read.spss('https://statlas.ugent.be/datasets/enquete_inlezen.sav', to.data.frame=TRUE)

7 Data inspecteren

Het is vaak een goed idee om na te gaan of de data goed zijn ingeladen vooraleer je ermee aan de slag gaat. Dat merkten we hierboven al bij read.table(). Er bestaan veel functies die je toelaten om een dataset te inspecteren. De meest nuttige zijn waarschijnlijk head() en str().

Om de eerste zes rijen van de dataset te zien gebruik je head().

head(enquete)

Voor iets meer detail kan je str() gebruiken. In de output zie je dan een opsomming van de kolommen/variabelen met het datatype erbij en ook de eerste vier of vijf waarden.

str(enquete)

Als je in de output van head() en/of str() inderdaad ziet wat je had verwacht, dan kan je verder met de volgende stappen van je analyse.