U5. データの読み込みと書き出し

ユニット概要

分類: 幹（全員必須）

依存関係: U0 → U1 → U2 → U4 → U5

学習目標:

  • read.csv() / readr::read_csv()でCSVファイルを読み込める
  • readxl::read_excel()でExcelファイルを読み込める
  • 文字コード（UTF-8, Shift-JIS）の違いと対処法を理解する
  • 欠測値の指定（na引数）ができる
  • write.csv() / readr::write_csv()でデータを書き出せる
  • saveRDS() / readRDS()でRオブジェクトを保存・復元できる

事前知識: ファイルの読み書き

なぜファイルの読み書きが重要か

データ分析では、データを手入力することはほとんどありません。調査データやダウンロードしたデータはCSVやExcelファイルとして保存されており、それをRに読み込んで分析します。また、分析結果や加工したデータをファイルに書き出すこともあります。

CSV形式とは

CSV（Comma-Separated Values）は、値をカンマで区切ったテキストファイルです。

Name,height,weight,team
田中,180,82,Giants
鈴木,175,78,Tigers

特定のソフトに依存しないプレーンなテキストなので、どの環境でも読み書きできます。拡張子は.csvです。

読み込み関数の選択

関数 パッケージ 特徴
read.csv() base R 追加パッケージ不要。結果はdata.frame
readr::read_csv() tidyverse 高速。結果はtibble。型推測が賢い
readxl::read_excel() readxl Excelファイル（.xlsx, .xls）を読み込み

本ゼミではreadr::read_csv()を基本とします。tidyverseを読み込んでいれば使えます。

文字コードの問題

日本語を含むファイルでは文字コードに注意が必要です。

  • UTF-8: 世界標準。Mac、Linux、最近のWindows
  • Shift-JIS（CP932）: 古いWindowsのデフォルト

UTF-8のファイルをShift-JISで読むと（またはその逆）、日本語が文字化けします。read_csv()はUTF-8を前提としていますが、Shift-JISのファイルを読むときはlocale引数で指定します。

# Shift-JISファイルの読み込み
readr::read_csv("data.csv", locale = readr::locale(encoding = "CP932"))

注意: WindowsでExcelからCSVを保存すると、デフォルトでShift-JISになることがあります。「名前を付けて保存」でUTF-8（BOM付き）を選ぶか、読み込み時にエンコーディングを指定してください。

作業フォルダとファイルパス

ファイルを読み込むとき、Rは作業フォルダを起点としてファイルを探します。プロジェクトを使っていれば、プロジェクトフォルダが作業フォルダです。

# 作業フォルダ直下にあるファイル
readr::read_csv("data.csv")

# サブフォルダ内のファイル
readr::read_csv("data/Baseball.csv")

# 作業フォルダの確認
getwd()

ランクC: 基礎知識を確認しよう

5-C-1

CSV形式のファイルでは、値は何で区切られていますか？

CSV = Comma-Separated Values（カンマ区切り値）です。ただし、ヨーロッパの一部ではセミコロン区切りが使われることもあり、その場合はread.csv2()やread_csv2()を使います。

5-C-2

readr::read_csv()とread.csv()の違いとして正しいものはどれですか？

readr::read_csv()はtidyverseの関数で、結果をtibble（data.frameの改良版）で返します。型推測がより賢く、大きなファイルの読み込みも高速です。read.csv()はbase Rの関数で、追加パッケージ不要ですがtibbleではなくdata.frameを返します。

5-C-3

日本語を含むCSVファイルが文字化けする主な原因は何ですか？

文字化けの多くは、ファイルの文字コードとRが想定する文字コードが一致していないために起こります。特にWindowsのExcelで作成したCSVはShift-JIS（CP932）になりがちで、UTF-8を期待するread_csv()で文字化けします。

5-C-4

CSVファイルの欠測値が999で記録されている場合、read_csv()でどう対処しますか？

readr::read_csv("data.csv", na = "999")

na引数に欠測値を表す文字列を指定すると、読み込み時に自動的にNAに変換されます。デフォルトでは""（空文字）と"NA"が欠測値として扱われます。複数指定も可能です：na = c("999", "NA", "")

5-C-5

getwd()関数は何を返しますか？

getwd()はget working directoryの略で、現在の作業フォルダ（ワーキングディレクトリ）のパスを返します。プロジェクトを使っていれば、プロジェクトフォルダのパスが表示されます。

5-C-6

saveRDS()で保存したファイルの利点は何ですか？

saveRDS()はRのオブジェクトをそのままバイナリ形式で保存します。Factor型やリスト構造など、CSVでは失われる情報もそのまま保持されます。ただしR専用の形式なので、他の言語やソフトでは読めません。

saveRDS(df, "mydata.rds")       # 保存
df <- readRDS("mydata.rds")     # 読み込み

5-C-7

readxl::read_excel()でExcelファイルを読み込むとき、特定のシートを指定するにはどうしますか？

readxl::read_excel("data.xlsx", sheet = "Sheet2")
readxl::read_excel("data.xlsx", sheet = 2)  # 2番目のシート

シート名（文字列）でも番号（整数）でも指定できます。シート名の一覧はreadxl::excel_sheets("data.xlsx")で確認できます。

5-C-8

write_csv()で書き出したCSVファイルの文字コードは何ですか？

readr::write_csv()はUTF-8で書き出します。これは世界標準の文字コードで、多くの環境で問題なく読めます。ただし古いWindowsのExcelで開くと日本語が文字化けすることがあります。その場合はBOM付きUTF-8で書き出すreadr::write_excel_csv()を使うと解決します。

ランクB: 実践スキルを磨こう

5-B-1

BaseballDecade.csvをreadr::read_csv()で読み込み、先頭6行とstr()の結果を確認してください。

pacman::p_load(tidyverse)

df <- readr::read_csv("../data/BaseballDecade.csv")

# 先頭6行
head(df)

# 構造の確認
str(df)

read_csv()は列の型を自動推測します。数値列はdbl（数値）、文字列列はchr（文字）として認識されます。tibble形式なので、表示時にデータ型も一緒に表示されます。

5-B-2

次のような内容のCSVファイル（sample.csv）があると仮定します。欠測値が-99で記録されています。適切に読み込んでください。

id,score,grade
1,85,A
2,-99,B
3,72,C
4,91,-99

na引数に欠測値を表す文字列を指定します。

df <- readr::read_csv("sample.csv", na = "-99")

df
# id score grade
#  1    85 A
#  2    NA B
#  3    72 C
#  4    91 NA

-99がNAに変換されます。デフォルトの""と"NA"も引き続き欠測値として扱いたい場合はna = c("", "NA", "-99")とします。

5-B-3

irisデータセットをCSVファイルとして書き出してください。ファイル名はiris_export.csvとします。

readr::write_csv(iris, "iris_export.csv")

# ファイルが作成されたか確認
file.exists("iris_export.csv")

write_csv()は行名（row.names）を書き出しません。base Rのwrite.csv()を使う場合はrow.names = FALSEを指定しないと行番号が余分に書き出されます。

5-B-4

5-B-3で書き出したiris_export.csvを読み込み直して、元のirisデータと同じ内容か確認してください。

nrow()とstr()で行数と構造を比較します。Species列の型に注意してください。

iris2 <- readr::read_csv("iris_export.csv")

nrow(iris)   # 150
nrow(iris2)  # 150

str(iris)    # Species: Factor
str(iris2)   # Species: chr（文字型）

行数は同じですが、Species列の型が異なります。元のirisではFactor型ですが、CSVに書き出して読み込むと文字型（chr）になります。CSVにはRのFactor情報は保存されないためです。型を維持したい場合はsaveRDS()を使います。

5-B-5

irisデータセットをRDS形式で保存し、読み込み直してください。Species列の型がFactor型のまま保持されることを確認してください。

# RDS形式で保存
saveRDS(iris, "iris_backup.rds")

# 読み込み
iris3 <- readRDS("iris_backup.rds")

# Factorのまま保持されている
str(iris3)
class(iris3$Species)  # "factor"

CSVと違い、RDS形式ではFactor型やリスト構造などRオブジェクトの情報がそのまま保存されます。分析の中間結果を保存しておくときに便利です。

ランクA: AI協働に挑戦しよう

4-A-1

課題: 公開データをダウンロードしてRに読み込んでみてください。

例えばe-Stat（政府統計の総合窓口）や、KaggleからCSVファイルを取得し、read_csv()で読み込んでください。

読み込みで問題が起きた場合（文字化け、列の型が想定と違う、ヘッダがずれている等）、AIに相談しながら解決してください。

提出物: 使用したデータの出典、読み込みコード、遭遇した問題と解決方法。

5-A-2

課題: BaseballDecade.csvを読み込んで加工（年度の絞り込み、変数の選択、新変数の作成など）し、加工後のデータをCSVとRDSの両方で保存してください。

その後、両方を読み込み直して、型の違い（特にFactor型の扱い）を確認・比較してください。AIに「CSVとRDSの使い分け」について相談してみてください。

提出物: AIとの対話内容、コード、CSVとRDSの比較結果。

まとめ

このユニットでは、データの読み込みと書き出しを学びました：

  • CSV読み込み: readr::read_csv()が基本。na引数で欠測値指定
  • Excel読み込み: readxl::read_excel()。sheet引数でシート指定
  • 文字コード: UTF-8が基本。Shift-JISファイルはlocaleで指定
  • CSV書き出し: readr::write_csv()（UTF-8）。Excelで開くならwrite_excel_csv()
  • RDS形式: saveRDS() / readRDS()で型情報を保持したまま保存
  • 作業フォルダ: getwd()で確認。プロジェクトを使えば自動設定

次のユニット: U6. データの確認と探索では、読み込んだデータの中身を確認し、分析に入る前の探索的な操作を学びます。

進捗: あなたは今 5-C-8 まで完了しました！（と仮定）次は 5-B-1 に進みましょう。