11  Importer des fichiers plats (.csv, .tsv, .txt)

11.1 Tâches concernées et recommandations

L’utilisateur souhaite importer dans R des données stockées sous forme de fichiers plats (formats .txt, .csv, .tsv).

Tâche concernée et recommandation
  • Pour importer des données de taille réduite (jusqu’à 1 Go), il est recommandé d’utiliser la fonction read_delim() du package readr ;
  • Pour importer des données de taille plus importante (supérieure à 1 Go), il est recommandé d’utiliser la fonction fread() du package data.table.
  • L’usage du package csvread est déconseillé, de même que l’utilisation des fonctions natives de R read.csv() et read.delim().

11.2 Importer un fichier avec le package readr

Le package readr propose plusieurs fonctions adaptées pour importer des fichiers plats. Parmi elles, la fonction read_delim() permet de lire les fichiers csv et cela quelque soit le délimiteur (virgule ou point-virgule) et le marqueur décimal (point ou virgule).

Il faut charger le package readr pour utiliser cette fonction :

Tip

Si vous êtes complètement débutants en R, il est recommandé d’utiliser l’utilitaire d’importation de RStudio. Une fois que les données sont correctement importées, vous pourrez copier-coller le code dans votre script R et vous familiariser avec les fonctions du package readr.

11.2.1 Utiliser l’assistant d’importation RStudio

Pour les utilisateurs débutants, RStudio propose une interface graphique très commode pour importer des fichiers plats avec readr. On y accède avec : File > Import Dataset > From text (readr).... On obtient la fenêtre suivante. En cliquant sur Browse (rectangle rouge), on peut définir le chemin du fichier que l’on souhaite importer.

Une fois que le fichier à importer a été sélectionné, un aperçu des premières lignes du fichier s’affiche dans la fenêtre. Dans l’exemple ci-dessous, on essaie d’importer le fichier des communes du Code Officiel Géographique (version 2019). La fenêtre comprend deux panneaux très utiles :

  • Un panneau qui permet de définir les options d’importation (rectangle orange) ;
  • Un panneau qui donne le code qui réalise l’importation demandée (rectangle vert).

Les principales options d’importation comprennent notamment :

  • Name : Le nom du data.frame dans lequel les donnée seront stockées ;
  • First Row as Names : à cocher si la première ligne contient les noms de colonnes ;
  • Delimiter : Indique le délimiteur des données. Pour mémoire : Comma = virgule, Semicolon = point virgule, Tab = tabulation, Whitespace = espace, Other... = autre (à définir) ;
  • Locale... : définit les options locales d’importation, notamment l’encodage et le marqueur décimal qui sont des sources récurrentes de problèmes ;
  • NA : indique la valeur retenue lorsqu’une valeur est manquante.

Enfin, il est possible de modifier le type des données en cliquant sur la petite flèches à côté de l’en-tête de colonne (flèches noires).

11.2.2 Utiliser la fonction read_delim()

La fonction read_delim() est faite pour lire toutes sortes de fichiers plats, et propose de nombreuses options pour l’adapter au fichier considéré.

Voici les principales options de read_delim() :

Argument Valeur par défaut Fonction
file Aucune Le chemin du fichier à importer
delim Aucune Le délimiteur du fichier plat
escape_backslash FALSE Les caractères spéciaux du fichier plat ont-ils un échappement (\)
col_names TRUE La première ligne contient-elle les noms de colonne ?
col_types NULL Définir le type des variables
col_select NULL Choisir les variables à importer
skip 0 Sauter les n premières lignes (0 par défaut)
n_max Inf Nombre maximum de lignes à importer (pas de limite par défaut)
locale Réglages locaux (encodage, marqueur décimal…)

Quelques remarques sur les options de read_delim() :

  • read_delim() essaie par défaut de deviner le type des colonnes (integer pour les nombres entiers, character pour les chaînes de caractères…). L’option col_types permet de choisir le type des colonnes, et doit être égale à un vecteur dont chaque élément est de la forme nom_variable = [type de colonne]. Les types de colonnes disponibles sont col_integer(), col_logical(), col_double(), col_character() (voir ?cols pour la liste complète). Exemple : si on importe une variable comme nombre entier et une variable comme caractère, on écrit : col_types = cols(var1 = col_integer(), var2 = col_character()).

Exemple : on veut importer le fichier des communes du code officiel géographique (version 2019, disponible ici), en déclarant que le fichier est encodé en UTF-8 et en imposant que le code commune (com) soit lu comme une chaîne de caractères et le code région (reg) comme un nombre entier. On écrit le code suivant :

# Dans cet exemple, il faut remplacer "mon_IDEP" par votre IDEP
library(readr)
communes <- read_delim("Z:/mon_IDEP/communes-01012019.csv", 
                       locale = locale(encoding ="UTF-8"),
                       col_types = cols(com = col_character(),
                                        reg = col_integer())
                      )
names(communes)

La fonction read_delim() contient également l’option lazy qui lorsque elle est fixée à TRUE permet d’améliorer la vitesse de traitement d’un fichier csv. Cette idée de “lecture paresseuse”, explorée pour la première fois dans le paquet vroom, consiste à optimiser la quantité du fichier total auquel un utilisateur a besoin d’accéder en fonction de sa requête. Ce billet de blog de RStudio illustre ce concept.

Pour en savoir plus sur read_delim(), il suffit de consulter l’aide avec ?read_delim.

11.3 Importer un fichier avec le package data.table

Le package data.table permet d’importer des fichiers plats avec la fonction fread(). Cette fonction présente trois avantages :

  • Elle est très rapide pour importer de gros volumes de données (et nettement plus rapide que les fonctions du package readr). Voir ici ;
  • Elle permet de sélectionner facilement les colonnes qu’on veut importer (option select) ;
  • Elle propose un grand nombre d’options, adaptées pour les usages avancés.

Pour utiliser fread(), il faut charger le package data.table :

Les principales options de fread() sont les suivantes :

Argument Valeur par défaut Fonction
file Aucune Le chemin du fichier à importer
sep Le caractère le plus fréquent parmi ,\t |;: Le délimiteur du fichier
header fread() essaie de deviner La première ligne contient-elle les noms de colonnes ?
nrows Inf Nombre maximum de lignes à importer (pas de limite par défaut)
skip 0 Sauter les n premières lignes (0 par défaut)
stringsAsFactors FALSE Les chaînes de caractères sont-elles traitées comme des facteurs ?
select NULL Sélectionner les colonnes à importer
drop NULL Sélectionner les colonnes à ne pas importer
colClasses fread() essaie de deviner Définir le type des variables
encoding "unknown" Définir l’encodage du fichier ("UTF-8" ou "Latin-1")
dec Le point Définir le marqueur décimal
data.table TRUE fread renvoie un data.table si TRUE, un data.frame si FALSE
showProgress TRUE Indiquer la progression de l’importation

Quelques remarques sur les options de fread() :

  • fread() importe par défaut toutes les colonnes

    • L’option select permet de sélectionner les colonnes, et doit être égale à un vecteur de noms. Exemple : select = c("var1", "var2", "var4") ;
    • Inversement, l’option drop permet de préciser quelles colonnes ne seront pas importées. Les options select et drop ne peuvent pas être utilisées en même temps.
  • fread() essaie par défaut de deviner le type des colonnes (integer pour les nombres entiers, character pour les chaînes de caractères…). L’option colClasses permet de choisir le type des colonnes, et doit égale à un vecteur dont chaque élément est de la forme nom_variable = "type". Exemple : colClasses = c(var1 = "character", var2 = "logical", var4 = "double") ;

  • l’option stringsAsFactors = TRUE peut ralentir sensiblement l’importation des données ; il faut l’utiliser avec circonspection.

Exemple 1 : on veut à nouveau importer le fichier des communes du code officiel géographique, en déclarant que le fichier est encodé en UTF-8 et en imposant que le code commune (com) soit lu comme une chaîne de caractères et le code région (reg) comme un nombre entier. On écrit le code suivant :

# Dans cet exemple, il faut remplacer "mon_IDEP" par votre IDEP
communes <- fread("Z:/mon_IDEP/communes-01012019.csv",
                  colClasses = c(com = "character",
                                 reg = "integer"),
                  encoding = "UTF-8")

Exemple 2 : on veut réaliser la même importation que précédemment, mais en sélectionnant uniquement le code commune (com), le nom de la commune (libelle) et la région (reg). On écrit le code suivant :

# Dans cet exemple, il faut remplacer "mon_IDEP" par votre IDEP
communes <- fread("Z:/mon_IDEP/communes-01012019.csv",
                  select = c("com", "libelle", "reg"),
                  colClasses = c(com = "character",
                                 reg = "integer"),
                  encoding = "UTF-8")

11.4 Comparaison de performances sur grands fichiers

Afin de comparer la rapidité de la fonction read_delim() du package readr avec la fonction fread() de data.table, on utilise dans cette partie le fichier des prénoms de l’Insee. Celui-ci contient les données sur les prénoms attribués aux enfants nés en France entre 1900 et 2021 par département de naissance.
Ce fichier de 78 Mo contient près de 3,8 millions de lignes et 5 variables.

Le code suivant utilise le package microbenchmark qui fournit des fonctions pour mesurer et comparer avec précision le temps d’exécution d’instructions R. Pour en savoir plus, consulter cette page.
Une comparaison est même réalisée avec la fonction read_delim_arrow du package arrow qui permet également d’importer des fichiers csv avec le lecteur CSV Arrow C++. Pour en savoir plus, consultez ce site.

# Dans cet exemple, il faut remplacer "mon_IDEP" par votre IDEP
library(readr)
library(data.table)
library(arrow)
library(microbenchmark)

chemin_fichier <- "Z:/mon_IDEP/dpt2021.csv"

mbm <- microbenchmark("readr" = {
  base <-
    read_delim(
      file = chemin_fichier
    )
},

"readr_lazy" = {
  base <-
    read_delim(
      file = chemin_fichier,
      lazy = TRUE
    )
},

"arrow" = {
  base <-
    read_delim_arrow(
      file = chemin_fichier,
      delim = ";"
    )
},
  
"data.table" = {
  base <-
    fread(
      file = chemin_fichier
    )
  
})

Lorsqu’on affiche le résultat, on se rend compte que la fonction fread() est la plus rapide. À l’opposé, read_delim() est la moins performante même si l’ajout de l’option lazy=TRUE permet de diviser le temps d’exécution par près de 3. Enfin, la fonction read_delim_arrow() du package arrow se rapproche fortement de la rapidité de fread().

> mbm
Unit: milliseconds
       expr       min       lq      mean    median        uq      max neval
      readr    1546.9   1630.7    1673.4    1659.1    1685.0   1921.7    20
 readr_lazy     567.8    591.7     619.8     602.7     639.9    793.7    20
      arrow     428.1    456.1     478.6     476.5     496.0    573.6    20
 data.table     284.9    300.5     326.9     311.3     326.4    480.9    20

11.5 Quelques bonnes pratiques

Voici quelques bonnes pratiques à avoir en tête pour importer des données :

  • Vérifier que votre machine peut charger les données : R importe les données dans la mémoire vive de la machine. Si les fichiers que vous voulez importer sont d’une taille supérieure à celle de la mémoire vive, vous ne pourrez pas les importer intégralement.
  • Tester votre code d’importation avec quelques lignes : il faut souvent tâtonner pour bien importer des données. Il est donc recommandé de commencer par importer quelques centaines ou quelques milliers de lignes (en utilisant l’option n_max des fonctions du package readr ou nrows de fread()) pour vérifier que le code est correct.
  • Il est important d’importer un nombre réduit de colonnes. Bien sélectionner les colonnes permet souvent de réduire significativement la taille des données et de résoudre le problème mentionné au point précédent. Pour cela, il s’agit d’utiliser l’option col_select pour la fonction read_delim() du package readr ou l’option select de la fonction fread() de data.table.
  • Vous pouvez choisir le package que vous utilisez en fonction des outils que vous voulez utiliser pour manipuler les données : les fonction read_delim() de readr renvoit un objet tibble tandis que fread() renvoie un objet data.table. Si vous prévoyez d’utiliser des packages du tidyverse (notamment tidyr et dplyr), il est préférable d’utiliser readr. Si vous prévoyez d’utiliser data.table, il est préférable d’utiliser fread().

11.6 Pour en savoir plus