Odczytaj wszystkie pliki w folderze i zastosuj funkcję do każdej ramki danych

Wykonuję stosunkowo prostą analizę, którą umieściłem w funkcji, na wszystkich plikach w określonym folderze. Zastanawiałem się, czy ktoś ma jakieś wskazówki, które pomogłyby mi zautomatyzować proces na wielu różnych folderach.

1. Po pierwsze, zastanawiałem się, czy istnieje sposób na odczytanie wszystkich plików w określonym folderze bezpośrednio do R. Sądzę, że poniższe polecenie wyświetli listę wszystkich plików:

files <- (Sys.glob("*.csv"))

... które znalazłem przy użyciu R, aby wyświetlić listę wszystkich plików z określonym rozszerzeniem

A następnie poniższy kod wczytuje wszystkie te pliki do R.

listOfFiles <- lapply(files, function(x) read.table(x, header = FALSE)) 

… Z Manipulowanie wieloma plikami w R

Ale wydaje się, że pliki są wczytywane jako jedna ciągła lista, a nie pojedyncze pliki… Jak mogę zmienić skrypt, aby otwierał wszystkie pliki csv w określonym folderze jako pojedyncze ramki danych?

2. Po drugie, zakładając, że mogę odczytać wszystkie pliki osobno, w jaki sposób mogę wykonać funkcję na wszystkich tych ramkach danych za jednym razem. Na przykład utworzyłem cztery małe ramki danych, aby zilustrować, czego chcę:

   Df.1 <- data.frame(A = c(5,4,7,6,8,4),B = (c(1,5,2,4,9,1)))
   Df.2 <- data.frame(A = c(1:6),B = (c(2,3,4,5,1,1)))
   Df.3 <- data.frame(A = c(4,6,8,0,1,11),B = (c(7,6,5,9,1,15)))
   Df.4 <- data.frame(A = c(4,2,6,8,1,0),B = (c(3,1,9,11,2,16)))
   

Stworzyłem też przykładową funkcję:

Summary<-function(dfile){
SumA<-sum(dfile$A)
MinA<-min(dfile$A)
MeanA<-mean(dfile$A)
MedianA<-median(dfile$A)
MaxA<-max(dfile$A)

sumB<-sum(dfile$B)
MinB<-min(dfile$B)
MeanB<-mean(dfile$B)
MedianB<-median(dfile$B)
MaxB<-max(dfile$B)

Sum<-c(sumA,sumB)
Min<-c(MinA,MinB)
Mean<-c(MeanA,MeanB)
Median<-c(MedianA,MedianB)
Max<-c(MaxA,MaxB)
rm(sumA,sumB,MinA,MinB,MeanA,MeanB,MedianA,MedianB,MaxA,MaxB)

Label<-c("A","B")
dfile_summary<-data.frame(Label,Sum,Min,Mean,Median,Max)
return(dfile_summary)}

Zwykle użyłbym następującego polecenia, aby zastosować funkcję do każdej pojedynczej ramki danych.

Df1.summary <-Summary (dfile)

Czy istnieje sposób zamiast zastosować funkcję do wszystkich ramek danych i użyć tytułów ramek danych w tabelach podsumowań (np. Df1.summary).

Wielkie dzięki,

Katie

Wręcz przeciwnie, myślę, że praca z listprogramem ułatwia automatyzację takich rzeczy.

Oto jedno rozwiązanie (zapisałem twoje cztery ramki danych w folderze temp/).

filenames <- list.files("temp", pattern="*.csv", full.names=TRUE)
ldf <- lapply(filenames, read.csv)
res <- lapply(ldf, summary)
names(res) <- substr(filenames, 6, 30)

Ważne jest, aby przechowywać pełną ścieżkę do plików (tak jak zrobiłem z full.names), w przeciwnym razie musisz wkleić katalog roboczy, np.

filenames <- list.files("temp", pattern="*.csv")
paste("temp", filenames, sep="/")

zadziała też. Zauważ, że użyłem substrwypakowywania nazw plików, odrzucając pełną ścieżkę.

Dostęp do tabel podsumowań można uzyskać w następujący sposób:

> res$`df4.csv`
       A              B        
 Min.   :0.00   Min.   : 1.00  
 1st Qu.:1.25   1st Qu.: 2.25  
 Median :3.00   Median : 6.00  
 Mean   :3.50   Mean   : 7.00  
 3rd Qu.:5.50   3rd Qu.:10.50  
 Max.   :8.00   Max.   :16.00  

Jeśli naprawdę chcesz uzyskać indywidualne tabele podsumowań, możesz je później wyodrębnić. Na przykład,

for (i in 1:length(res))
  assign(paste(paste("df", i, sep=""), "summary", sep="."), res[[i]])

zwykle nie używam pętli for w R, ale tutaj jest moje rozwiązanie wykorzystujące pętle for i dwa pakiety: plyr i dostats

plyr jest na dźwigu i możesz pobrać dostats na https://github.com/halpo/dostats (może używać install_github z pakietu Devtools Hadley )

Zakładając, że mam twoje pierwsze dwa data.frame (Df.1 i Df.2) w plikach csv, możesz zrobić coś takiego.

require(plyr)
require(dostats)

files <- list.files(pattern = ".csv")


for (i in seq_along(files)) {

    assign(paste("Df", i, sep = "."), read.csv(files[i]))

    assign(paste(paste("Df", i, sep = ""), "summary", sep = "."), 
           ldply(get(paste("Df", i, sep = ".")), dostats, sum, min, mean, median, max))

}

Oto wynik

R> Df1.summary
  .id sum min   mean median max
1   A  34   4 5.6667    5.5   8
2   B  22   1 3.6667    3.0   9
R> Df2.summary
  .id sum min   mean median max
1   A  21   1 3.5000    3.5   6
2   B  16   1 2.6667    2.5   5

Oto tidyverseopcja, która może nie jest najbardziej elegancka, ale oferuje pewną elastyczność w zakresie tego, co jest zawarte w podsumowaniu:

library(tidyverse)
dir_path <- '~/path/to/data/directory/'
file_pattern <- 'Df\\.[0-9]\\.csv' # regex pattern to match the file name format

read_dir <- function(dir_path, file_name){
  read_csv(paste0(dir_path, file_name)) %>% 
    mutate(file_name = file_name) %>%                # add the file name as a column              
    gather(variable, value, A:B) %>%                 # convert the data from wide to long
    group_by(file_name, variable) %>% 
    summarize(sum = sum(value, na.rm = TRUE),
              min = min(value, na.rm = TRUE),
              mean = mean(value, na.rm = TRUE),
              median = median(value, na.rm = TRUE),
              max = max(value, na.rm = TRUE))
  }

df_summary <- 
  list.files(dir_path, pattern = file_pattern) %>% 
  map_df(~ read_dir(dir_path, .))

df_summary
# A tibble: 8 x 7
# Groups:   file_name [?]
  file_name variable   sum   min  mean median   max
  <chr>     <chr>    <int> <dbl> <dbl>  <dbl> <dbl>
1 Df.1.csv  A           34     4  5.67    5.5     8
2 Df.1.csv  B           22     1  3.67    3       9
3 Df.2.csv  A           21     1  3.5     3.5     6
4 Df.2.csv  B           16     1  2.67    2.5     5
5 Df.3.csv  A           30     0  5       5      11
6 Df.3.csv  B           43     1  7.17    6.5    15
7 Df.4.csv  A           21     0  3.5     3       8
8 Df.4.csv  B           42     1  7       6      16