楽屋

データ分析において、最初に行われることがread.csv関数などを利用したデータの読み込みです。ですが、初学者はその時点でもつまづき、挫折しがちです。 そこで、read.csv関数を用いたデータ読み込みの時点においての、挫折ポイントやエラーについていくつか紹介するとともに、便利なオプションも紹介したいと思います。

1. 不正なマルチバイト
2. 型について
3. 欠損値について

準備

今回は以下のような、購入データのサンプルを使用します。データはsample_purchase_data.csvという名前で保存されているものとします。

日付	購入商品	購入者ID	商品ID	金額	購入回数
20170601	よもぎ饅頭	00220101	aab	130	1
20170601	いちご大福	03440101	aac	210	1
20170601	よもぎ饅頭	11020441	aab	130	2
20170601	みたらしだんご	13026761	aaa	データなし	1

また、少しデータを加工するので、以下を実行しておいてください。 それでは早速、読み込みをしましょう。

不正なマルチバイト

実行と問題

まずは何もオプションに指定せず、読み込んでみましょう。 これは、ファイル自体の文字コードと、read.csvが読み込みを予定している文字コードが異なる故に出現するエラーです。

解決方法

Rでは文字コードがOSのデフォルトになるため、Windowsで作成されたSJISのファイルはmacOSで文字コードを指定しないと読み込むことができません。どの文字コードで読み込みたいのか（ファイル自体の文字コード）を指定をすることで解決できます。 read.csv関数では、読み込み時の文字コードは、fileEncodingパラメーターで指定します。

型について

実行と問題

まずは、先ほど読み込んだデータの中身を見てみましょう。 購入者IDの先頭にあった0が消えています。それでは、データの各列の型を確認してみましょう。

日付	購入商品	購入者ID	商品ID	金額	購入回数
20170601	よもぎ饅頭	220101	aab	130	1
20170601	いちご大福	3440101	aac	210	1
20170601	よもぎ饅頭	11020441	aab	130	2
20170601	みたらしだんご	13026761	aaa	データなし	1

購入者IDがint型になっていますね。IDの先頭に0が含まれているような場合、数値として扱われるとその0が消えてしまうという問題が起こることがあるため、character型などで保持していることが望ましいです。

解決方法

読み込み時に各カラムの型を指定してあげましょう。ここではあえて、購入者ID以外の列はデフォルトと同じ形式を指定しています。 read.csv関数では、各カラムの型は、fileEncodingパラメーターで指定します。 読み込んだ後から型変更することも可能ですが、読み込む時点で型を指定しておく方が、スクリプトがまとまって、すっきりします。

欠損値について

実行と問題

金額列を計算したいので、文字が入っている行を削除し、数値に変換したいと思います。まずは、先ほど型指定をして読み込んだデータの構成と型を確認します。

日付	購入商品	購入者ID	商品ID	金額	購入回数
20170601	よもぎ饅頭	00220101	aab	1	1
20170601	いちご大福	03440101	aac	2	1
20170601	よもぎ饅頭	11020441	aab	1	2
20170601	みたらしだんご	13026761	aaa	データなし	1

なんと、金額列が意図しない値に変化してしまいました。factor型から、integer型に変換しようとするとうまくいかないことが多いです。

解決方法

欠損値に「データなし」という文字列が含まれているため、Rは金額カラムを文字列として認識しています。これを欠損値として認識させる必要があります。 read.csv関数では、欠損値を表現するのには、na.stringsパラメーターを指定します。

日付	購入商品	購入者ID	商品ID	金額	購入回数
20170601	よもぎ饅頭	00220101	aab	130	1
20170601	いちご大福	03440101	aac	210	1
20170601	よもぎ饅頭	11020441	aab	130	2
20170601	みたらしだんご	13026761	aaa	NA	1

金額を正しい値で、数値に変換することができました。

まとめ

read.csv関数は、パラメーターを適切に指定することでデータを正しく読み込むことができます。 実はread.csv関数のヘルプを見るても指定できるパラメーターは少ないようにみえるのですが、実はread.csv関数はread.table関数の一部パラメーターを指定しているだけなので、どのようなパラメーターがあるかは、read.table関数のヘルプを見ると良いです。