Rスクリプトから直接Excelファイルを読み取る

ExcelファイルをRに直接読み込むにはどうすればよいですか？または、最初にデータをテキストファイルまたはCSVファイルにエクスポートし、そのファイルをRにインポートする必要がありますか？

はい。R wikiの関連ページを参照してください。短い答え：パッケージread.xlsからgdataほとんどの場合機能します（システムにPerlをインストールする必要がありますが、通常はMacOSとLinuxではすでに当てはまりますが、Windowsでは追加の手順を実行します（http://strawberryperl.com/を参照））。R wikiページにリストされているさまざまな警告と代替案があります。

私が直接これを行わない理由は、スプレッドシートにグリッチ（奇妙なヘッダー、複数のワークシート[一度に1つしか読み取れませんが、すべてをループすることはできますが]があるかどうかを調べることです。 、含まれるプロットなど）。しかし、単純な数値と文字データ（つまり、コンマ形式の数値、日付、ゼロ除算エラーのない数式、欠損値など）を含む整形式の長方形のスプレッドシートの場合、通常は問題ありません。このプロセスで。

@Chaseの推奨事項を繰り返します。XLConnectを使用します。

XLConnectを使用する理由は、私の意見では次のとおりです。

1. クロスプラットフォーム。XLConnectはJavaで記述されているため、Win、Linux、MacでRコードを変更せずに実行できます（パス文字列を除く）
2. ロードするものは他にありません。XLConnectをインストールするだけで、すぐに利用できます。
3. Excelファイルの読み取りについてのみ説明しましたが、XLConnectはセルのフォーマットの変更を含むExcelファイルも書き込みます。これは、Winだけでなく、LinuxまたはMacからも実行できます。

XLConnectは他のソリューションに比べて少し新しいので、ブログの投稿やリファレンスドキュメントであまり言及されていません。私にとってそれはとても役に立ちました。

そして今、readxlがあります：

readxlパッケージを使用すると、ExcelからRにデータを簡単に取得できます。既存のパッケージ（gdata、xlsx、xlsReadWriteなど）と比較して、readxlには外部の依存関係がないため、すべてのオペレーティングシステムに簡単にインストールして使用できます。1つのシートに保存されている表形式のデータを操作するように設計されています。

readxlは、基礎となるバイナリ形式の複雑さの多くを抽象化するlibxls Cライブラリの上に構築されています。

従来の.xls形式と.xlsxの両方をサポートしています

readxlはCRANから入手できます。または、githubから次のようにインストールできます。

# install.packages("devtools")
devtools::install_github("hadley/readxl")

使用法

library(readxl)

# read_excel reads both xls and xlsx files
read_excel("my-old-spreadsheet.xls")
read_excel("my-new-spreadsheet.xlsx")

# Specify sheet with a number or name
read_excel("my-spreadsheet.xls", sheet = "data")
read_excel("my-spreadsheet.xls", sheet = 2)

# If NAs are represented by something other than blank cells,
# set the na argument
read_excel("my-spreadsheet.xls", na = "NA")

説明は「外部依存関係」と言っていないが、それは必要ないことに注意してくださいRcppパッケージされ、順番に（Windowsの場合）Rtoolsまたは（OSX用）のXcodeが必要で、ある多くの人々は彼らが他の理由のためにインストールされているR.けれども外部の依存関係。

2015年10月の編集：他の人がここでコメントしているように、openxlsxおよびreadxlパッケージはxlsxパッケージよりもはるかに高速で、実際には大きなExcelファイル（> 1500行＆> 120列）を開くことができます。@MichaelChirico readxlは、速度が優先openxlsxされ、xlsxパッケージによって提供される機能を置き換える場合に、より優れていることを示しています。2015年にExcelファイルの読み取り、書き込み、変更を行うパッケージを探している場合は、openxlsxではなくを選択してくださいxlsx。

2015年より前：私はxlsxパッケージを使用しました。ExcelとRを使用してワークフローを変更しました。Excelシートを.txt形式で保存するかどうかを確認するのに迷惑なポップアップが表示されることはありません。パッケージはExcelファイルも書き込みます。

ただし、read.xlsx大きなExcelファイルを開くと、機能が遅くなります。read.xlsx2関数はかなり高速ですが、data.frame列のベクタークラスをクエリしません。関数colClassesを使用read.xlsx2する場合は、コマンドを使用して必要な列クラスを指定する必要があります。ここに実用的な例があります：

read.xlsx("filename.xlsx", 1)ファイルを読み取り、data.frame列クラスをほぼ有用にしますが、大きなデータセットの場合は非常に遅くなります。.xlsファイルにも使用できます。

read.xlsx2("filename.xlsx", 1)より高速ですが、列クラスを手動で定義する必要があります。ショートカットは、コマンドを2回実行することです（以下の例を参照）。character仕様は、列を因子に変換します。時間の使用DateとPOSIXctオプション。

coln <- function(x){y <- rbind(seq(1,ncol(x))); colnames(y) <- colnames(x)
rownames(y) <- "col.number"; return(y)} # A function to see column numbers

data <- read.xlsx2("filename.xlsx", 1) # Open the file 

coln(data)    # Check the column numbers you want to have as factors

x <- 3 # Say you want columns 1-3 as factors, the rest numeric

data <- read.xlsx2("filename.xlsx", 1, colClasses= c(rep("character", x),
rep("numeric", ncol(data)-x+1)))

Excelファイルを読み取るさまざまな方法の急増とRここでの答えの多さを考えると、ここで言及されているオプションのどれが（いくつかの単純な状況で）最高のパフォーマンスを発揮するかを明らかにしたいと思いました。

私自身xlsx、を使い始めて以来R、慣れとして他に何も使用していませんでしたが、最近、どのパッケージの方が優れているかについての客観的な情報がないようです。

一部のパッケージは特定の状況を他の状況よりも適切に処理し、他の警告の滝になるため、ベンチマークの練習は困難を伴います。

そうは言っても、かなり一般的な形式（8つの文字列フィールド、3つの数値、1つの整数、3つの日付）であると思われる（再現可能な）データセットを使用しています。

set.seed(51423)
data.frame(
  str1 = sample(sprintf("%010d", 1:NN)), #ID field 1
  str2 = sample(sprintf("%09d", 1:NN)),  #ID field 2
  #varying length string field--think names/addresses, etc.
  str3 = 
    replicate(NN, paste0(sample(LETTERS, sample(10:30, 1L), TRUE),
                         collapse = "")),
  #factor-like string field with 50 "levels"
  str4 = sprintf("%05d", sample(sample(1e5, 50L), NN, TRUE)),
  #factor-like string field with 17 levels, varying length
  str5 = 
    sample(replicate(17L, paste0(sample(LETTERS, sample(15:25, 1L), TRUE),
                                 collapse = "")), NN, TRUE),
  #lognormally distributed numeric
  num1 = round(exp(rnorm(NN, mean = 6.5, sd = 1.5)), 2L),
  #3 binary strings
  str6 = sample(c("Y","N"), NN, TRUE),
  str7 = sample(c("M","F"), NN, TRUE),
  str8 = sample(c("B","W"), NN, TRUE),
  #right-skewed integer
  int1 = ceiling(rexp(NN)),
  #dates by month
  dat1 = 
    sample(seq(from = as.Date("2005-12-31"), 
               to = as.Date("2015-12-31"), by = "month"),
           NN, TRUE),
  dat2 = 
    sample(seq(from = as.Date("2005-12-31"), 
               to = as.Date("2015-12-31"), by = "month"),
           NN, TRUE),
  num2 = round(exp(rnorm(NN, mean = 6, sd = 1.5)), 2L),
  #date by day
  dat3 = 
    sample(seq(from = as.Date("2015-06-01"), 
               to = as.Date("2015-07-15"), by = "day"),
           NN, TRUE),
  #lognormal numeric that can be positive or negative
  num3 = 
    (-1) ^ sample(2, NN, TRUE) * round(exp(rnorm(NN, mean = 6, sd = 1.5)), 2L)
)

私は、CSVファイルにこれを書いて、LibreOfficeの中で開かれたとの.xlsxファイルとして保存され、その後、パッケージの4は、このスレッドで言及したベンチマーク：xlsx、openxlsx、readxl、とgdata、デフォルトのオプションを使用して（私もかどうか、私のバージョンを試してみました列タイプを指定しますが、これはランキングを変更しませんでした）。

RODBCLinuxを使用しているため、除外します。XLConnectその主な目的は単一のExcelシートで読み取るのではなく、Excelブック全体をインポートすることであると思われるため、その読み取り能力のみを競い合うのは不公平に思えます。そしてxlsReadWrite、それはもはや私のバージョンと互換性があるので、R（と、段階的に廃止されているようです）。

次に、NN=1000LおよびNN=25000L（data.frame上記の各宣言の前にシードをリセットして）ベンチマークを実行し、Excelファイルサイズの違いを考慮しました。gcは主にのためのものでxlsx、メモリの目詰まりを引き起こす可能性があることを発見しました。さらに苦労せずに、私が見つけた結果は次のとおりです。

1,000行のExcelファイル

benchmark1k <-
  microbenchmark(times = 100L,
                 xlsx = {xlsx::read.xlsx2(fl, sheetIndex=1); invisible(gc())},
                 openxlsx = {openxlsx::read.xlsx(fl); invisible(gc())},
                 readxl = {readxl::read_excel(fl); invisible(gc())},
                 gdata = {gdata::read.xls(fl); invisible(gc())})

# Unit: milliseconds
#      expr       min        lq      mean    median        uq       max neval
#      xlsx  194.1958  199.2662  214.1512  201.9063  212.7563  354.0327   100
#  openxlsx  142.2074  142.9028  151.9127  143.7239  148.0940  255.0124   100
#    readxl  122.0238  122.8448  132.4021  123.6964  130.2881  214.5138   100
#     gdata 2004.4745 2042.0732 2087.8724 2062.5259 2116.7795 2425.6345   100

そうreadxlで勝者であり、openxlsx競争力とgdata明確な敗者は。列の最小値を基準にして各測定を行います。

#       expr   min    lq  mean median    uq   max
# 1     xlsx  1.59  1.62  1.62   1.63  1.63  1.65
# 2 openxlsx  1.17  1.16  1.15   1.16  1.14  1.19
# 3   readxl  1.00  1.00  1.00   1.00  1.00  1.00
# 4    gdata 16.43 16.62 15.77  16.67 16.25 11.31

私のお気に入りは、にxlsx比べて60％遅いですreadxl。

25,000行のExcelファイル

時間がかかるため、大きなファイルで繰り返したのは20回だけでしたが、それ以外はコマンドは同じでした。これが生データです：

# Unit: milliseconds
#      expr        min         lq       mean     median         uq        max neval
#      xlsx  4451.9553  4539.4599  4738.6366  4762.1768  4941.2331  5091.0057    20
#  openxlsx   962.1579   981.0613   988.5006   986.1091   992.6017  1040.4158    20
#    readxl   341.0006   344.8904   347.0779   346.4518   348.9273   360.1808    20
#     gdata 43860.4013 44375.6340 44848.7797 44991.2208 45251.4441 45652.0826    20

相対データは次のとおりです。

#       expr    min     lq   mean median     uq    max
# 1     xlsx  13.06  13.16  13.65  13.75  14.16  14.13
# 2 openxlsx   2.82   2.84   2.85   2.85   2.84   2.89
# 3   readxl   1.00   1.00   1.00   1.00   1.00   1.00
# 4    gdata 128.62 128.67 129.22 129.86 129.69 126.75

だから、readxlそれはスピードになると明確な勝者です。gdataExcelファイルの読み込みが非常に遅く、この問題はより大きなテーブルでのみ悪化するため、別の方法で解決することをお勧めします。

二つはの描くopenxlsxその豊富な他の方法は、（1）あるreadxl行うように設計されただけで、おそらくそれは非常に高速である理由の一部）、特にそのある一つのこと、write.xlsxより多くのための欠点の機能、および2）（ readxl）col_types内の引数readxl（としてのみをこの執筆の）いくつかの非標準を受け入れますR：の"text"代わりに"character"およびの"date"代わりに"Date"。

私はうまくいきましたXLConnect：http : //cran.r-project.org/web/packages/XLConnect/index.html

library(RODBC)
file.name <- "file.xls"
sheet.name <- "Sheet Name"

## Connect to Excel File Pull and Format Data
excel.connect <- odbcConnectExcel(file.name)
dat <- sqlFetch(excel.connect, sheet.name, na.strings=c("","-"))
odbcClose(excel.connect)

個人的には、RODBCが好きで、お勧めできます。

openxlsx今日パッケージを試してみました。それは本当にうまく（そして高速に）働きました。

http://cran.r-project.org/web/packages/openxlsx/index.html

別の解決策はxlsReadWriteパッケージです。追加のインストールは必要ありませんが、次の方法で初めて使用する前に追加のshlibをダウンロードする必要があります。

require(xlsReadWrite)
xls.getshlib()

これを忘れると、完全なフラストレーションを引き起こす可能性があります。そこにいたことすべて...

補足：テキストベースの形式（csvなど）に変換してそこから読み込むことを検討することもできます。これにはいくつかの理由があります：

• ソリューション（RODBC、gdata、xlsReadWrite）が何であれ、データが変換されると奇妙なことが起こります。特に日付はかなり扱いにくい場合があります。HFWutilsパッケージは、（@Ben Bolkerさんのコメントあたり）EXCELの日付に対処するためのいくつかのツールを持っています。

• 大きなシートがある場合、テキストファイルでの読み取りは、EXCELからの読み取りよりも高速です。

• .xlsおよび.xlsxファイルの場合、異なるソリューションが必要になる場合があります。EG xlsReadWriteパッケージは現在、.xlsx AFAIKをサポートしていません。gdata.xlsxをサポートするには、追加のperlライブラリをインストールする必要があります。xlsxパッケージは同じ名前の拡張機能を処理できます。

上記の他の回答の多くで述べたように、XLS / Xファイルに接続して適切な方法でデータを取得する優れたパッケージが数多くあります。ただし、どのような状況でもクリップボード（または.csv）ファイルを使用してExcelからデータを取得するべきではないことを警告する必要があります。理由を確認する=1/3には、Excelのセルに入力してください。次に、表示される小数点の数を2に減らします。次に、データをコピーしてRに貼り付けます。CSVを保存します。どちらの場合も、Excelはインターフェイスを通じて表示されたデータのみを有効に保持しており、実際のソースデータの精度がすべて失われていることに気付くでしょう。

@Mikkoが提供する答えを拡張すると、列のクラスを事前に「知る」必要なく、巧妙なトリックを使用して処理を高速化できます。read.xlsx限られた数のレコードを取得してクラスを決定し、それをフォローアップするだけで使用できますread.xlsx2

例

# just the first 50 rows should do...
df.temp <- read.xlsx("filename.xlsx", 1, startRow=1, endRow=50) 
df.real <- read.xlsx2("filename.xlsx", 1, 
                      colClasses=as.vector(sapply(df.temp, mode)))

Excelファイルは、次のようにRに直接読み込むことができます。

my_data <- read.table(file = "xxxxxx.xls", sep = "\t", header=TRUE)

readxlパッケージを使用してxlsおよびxlxsファイルを読み取る

library("readxl")
my_data <- read_excel("xxxxx.xls")
my_data <- read_excel("xxxxx.xlsx")