Importar (y exportar) datos con R

class: inverse, center, middle

<br>

#### Programación y manejo de datos con R (Slides 04)

## Importar (y exportar) datos con R

<br>

### Pedro J. Pérez

#### 2021, abril

###### (actualizadas el 04-09-2023)

<br><br>
#### e-mail: [<svg viewBox="0 0 512 512" style="height:1em;position:relative;display:inline-block;top:.1em;" xmlns="http://www.w3.org/2000/svg">  <path d="M464 64H48C21.49 64 0 85.49 0 112v288c0 26.51 21.49 48 48 48h416c26.51 0 48-21.49 48-48V112c0-26.51-21.49-48-48-48zm0 48v40.805c-22.422 18.259-58.168 46.651-134.587 106.49-16.841 13.247-50.201 45.072-73.413 44.701-23.208.375-56.579-31.459-73.413-44.701C106.18 199.465 70.425 171.067 48 152.805V112h416zM48 400V214.398c22.914 18.251 55.409 43.862 104.938 82.646 21.857 17.205 60.134 55.186 103.062 54.955 42.717.231 80.509-37.199 103.053-54.947 49.528-38.783 82.032-64.401 104.947-82.653V400H48z"></path></svg>](mailto:pedro.j.perez@uv.es) [pedro.j.perez@uv.es](mailto:pedro.j.perez@uv.es)

#### Web del curso: [https://perezp44.github.io/intro-ds-23-24-web](https://perezp44.github.io/intro-ds-23-24-web)

---
class: inverse, center, middle

## Importación de datos

#### Es la primera etapa para comenzar un análisis de datos

<br>

???
- ya casi sabemos (rio::import()) pero ...

---

##### ¿Donde están los datos?

- En muchos sitios, pero básicamente en 2:

- en bases de datos (RDBMS, noSQL, etc ...): una base de datos es una herramienta que almacena datos de forma organizada.

- en **ficheros**

##### Además, los datos más habituales en CC.SS son datos tabulares

- formatos **tabulares**: `.csv`, `.xlsx`, `.sav` , `.dta`, etc ...

- no tabulares: `.json`, `.xml`, etc ...

???
- datos hay en muchos sitios (frigorífico) pero basicamente en 2.

<br>

##### Cuando cargemos/importemos esos datos tabulares ....

- Habitualmente, se almacenarán internamente en R como **data.frames** (o **tibbles**)

???
- IMPORTANTE: df vs. tibble. Son estructuras de datos

---
background-image: url(data:image/png;base64,#imagenes/rio-logo.png)
background-position: 99% 1%
background-size: 5%
 
##### Unas ideas generales

- Ya sabemos que generalmente usaremos **datos tabulares** provenientes de **archivos**, que se almacenaran en R como **data.frames**

- RStudio permite cargar datos **a través de menús** (`File > Import Dataset`). Por menús se pueden cargar datos CSV, EXCEL, SPSS, SAS y STATA. Se puede hacer, **pero no lo haremos**, ¿por qué?

- Para importar y exportar los datos **usaremos funciones**, funciones que pertenecen a algún paquete. Podríamos usar los paquetes de R-base, pero ya sabéis que el curso está orientado al `tidyverse`.

- Los principales paquetes del tidyverse para importar y exportar datos son: [readr](https://readr.tidyverse.org/), [haven](https://haven.tidyverse.org/) y [readxl](https://readxl.tidyverse.org/).

--
##### A pesar de ello ... usaremos el paquete rio

- A pesar de ello, **usaremos el paquete `rio`** que llama/utiliza indirectamente esos paquetes y otros, lo que le permite importar y exportar ficheros en casi cualquier formato.

- Como puede leerse en [su web](https://github.com/leeper/rio), el paquete **rio**  es "A Swiss-Army Knife for Data I/O". 
 
--

---------------------

Bueno, ya vale de "teoría", vamos a aprender a cargar/importar datos mediante una serie de **ejemplos**

---
class: inverse, center, middle

### Ejemplos: importar (y exportar) datos tabulares en ficheros

<br>

#### Los ficheros pueden estar en

###### - un paquete de R

###### - en Internet

###### - en nuestro ordenador

---

##### Datos almacenados en los paquetes

- Sí, los paquetes suelen tener funciones y documentación, pero también datos.

<br>

- Intenta entender que hacen las siguientes instrucciones. En nada lo explico yo.

```r
#- cuanto iniciamos R se cargan automaticamente un grupo de paquetes (R-base)
print(.packages()) #- [🌶]imprimimos los nombres de los "currently attached packages"

#- en uno de esos paquetes hay un conjunto de datos llamado "iris"
iris          #- llamamos a "iris"
str(iris)     #- qué es iris?
find("iris")  #- [🌶] ¿donde estaba iris?

my_iris <- iris  #- "hacemos una copia" de iris
find("my_iris")  #- ¿donde está my_iris?

iris <- iris     #- ???
find("iris")     #- ¿donde está ahora iris?
```

---

#### Ejercicio: datos almacenados en los paquetes

.bg-washed-purple.b--dark-purple.ba.bw2.br3.shadow-5.ph4.mt5[

.panelset[
.panel[.panel-name[Tarea]

Resulta que **quiero usar unos datos**.

Los datos están el fichero de datos **penguins**, pero resulta que ese fichero de datos está en un paquete.

El paquete se llama **palmerpenguins**.

El paquete está en CRAN, pero si quieres ver su repo en Github, está [aquí](https://github.com/allisonhorst/palmerpenguins).

<br>

Bueno, **la tarea está clara**: .brown[carga en memoria los datos de los pingüinos que están en el fichero penguins dentro del paquete palmerpenguins]. 🤔️

<br>

]

.panel[.panel-name[Solución]

<br>

- Ni se te ocurra mirar la solución hasta que lo hayas intentado!!!

- te rindes? Bueno, a veces hay que rendirse, mira en el siguiente tab.

]

.panel[.panel-name[Más]

- Te has rendido, bueno ... 😅️

- Primero tienes que instalar el paquete, luego cargarlo en memoria y así ya puedes llamar al fichero de datos `penguins`

```r
#- en el pkg palmerpenguins hay 2 conjuntos de datos
library(palmerpenguins) #- install.packages("palmerpenguins")

#- ya podemos usar los datos de penguins xq hemos cargado (attach) el paquete en memoria de R
penguins
my_penguins <- penguins

#- quiero tb hablaros de la siguiente expresión 
#- es importante acostumbrarse a ella [ 🌟 ]
palmerpenguins::penguins
```

]
]
]

---
class: inverse, center, middle
background-image: url(data:image/png;base64,#imagenes/rio-logo.png)
background-position: 98% 2%
background-size: 7%

## Importación de datos

#### Vamos a usar el paquete .orange[*rio*] para cargar datos

<br>

---
background-image: url(data:image/png;base64,#imagenes/rio-logo.png)
background-position: 99% 1%
background-size: 5%

##### Importando datos con el paquete `rio`

- El paquete **.orange[rio]** **tenía** solo dos funciones: **import()** y **export()**. ¿Adivinas que hace cada una de ellas?

- Empecemos con **import()**: la función `import()` tiene varios argumentos, pero generalmente solo usaremos el primero.

- Su **primer argumento** se llama `file` y su descripción dice que el valor de `file` ha de ser: "A character string naming a file, URL, or single-file .zip or .tar archive". WTF!!

.bg-washed-purple.b--dark-purple.ba.bw2.br3.shadow-5.ph4.mt5[

.panelset[
.panel[.panel-name[Tarea]

En esta dirección de internet: <https://raw.githubusercontent.com/perezp44/iris_data/master/data/iris.csv> hay un fichero de datos.

Por favor, utiliza la función `rio::import()` para cargar esos datos en memoria de R

]

.panel[.panel-name[Solución]

```r
rm(list = ls()) #- antes vamos a limpiar el Global env.

la_direccion <- "https://raw.githubusercontent.com/perezp44/iris_data/master/data/iris.csv"

rio::import(la_direccion)    #- ¿qué ha pasado???

iris <- rio::import(la_direccion)  #- y ahora ¿qué ha pasado?
```

.panel[.panel-name[Solución (extended)]

```r
rm(list = ls()) #- antes vamos a limpiar el Global env.

la_direccion <- "https://raw.githubusercontent.com/perezp44/iris_data/master/data/iris.csv"

iris_1 <- rio::import(la_direccion)  #- como un data.frame

iris_2 <- rio::import(la_direccion, setclass = "tibble")  #- como tibble

iris_3 <- tibble::as_tibble(iris_1) #- convertimos iris_1 a tibble
```

]
]
]
]

---
class: inverse, center, middle

## Exportación de datos

<br>

#### Luego seguiremos cargando/importando datos, ahora vamos a exportar

---
##### Exportando datos con el paquete `rio`

- Tenéis que usar la función **rio::export()**. Esta función también tiene varios argumentos, pero los principales son los dos primeros, llamados `"x"` y `"file"`

.bg-washed-purple.b--dark-purple.ba.bw2.br3.shadow-5.ph4.mt5[

.panelset[

.panel[.panel-name[Tarea 1]

Tendrás que apañártelas para hacer la siguiente tarea. No patixques, enseguida lo hacemos juntos, pero seguro que la mayoría sabréis sin ayuda.

<br>

Por favor, utiliza la función `rio::export()` para exportar a un fichero (de tu ordenador) el conjunto de datos `iris` en formato `.csv`.

]

.panel[.panel-name[Solución 1]

```r
rm(list = ls())  #- [🌶] antes vamos a limpiar el Global env.

my_iris <- iris

rio::export(my_iris, "my_iris.csv")             #- sin los nombres de los argumentos

rio::export(x = my_iris, file = "my_iris.csv")  #- CON los nombres de los argumentos

#- IMPORTANTE: ¿Donde hemos guardado my_iris? [ 🌟 ]
```

]

.panel[.panel-name[Pregunta 🌟🌟]

- ¿Donde hemos guardado antes el fichero "my_iris.csv"?

En el "directorio de trabajo"

- ¿Directorio de trabajo?

Si estamos en un proyecto de R, el "wd" es la carpeta donde reside el proyecto
    
    Si no estamos en un proyecto de R ...

]

.panel[.panel-name[Tarea 2]

- Si quisiéramos guardar datos en un sitio diferente del "wd", tendríamos que proveer la ruta donde queremos guardarlos

- Por favor, prueba a guardar otra vez my_iris, **pero que se guarde en una subcarpeta del Rroject**, concretamente en una subcarpeta llamada `"pruebas"` (primero tendrás que crear esa carpeta)

]

.panel[.panel-name[Solución 2]

- Puedes crear la carpeta "pruebas" a mano, pero yo prefiero crearla con código

```r
fs::dir_create("pruebas")   #- [🌶] creo el subdirectorio

rio::export(my_iris, "./pruebas/my_iris.csv")
```

- Perfecto, pero es mejor construir la ruta utilizando el pkg "here". Tiene ventajas, y es la forma que usaremos cuando nos acostumbremos. [ 🌟 ]

```r
la_ruta <- here::here("pruebas", "my_iris.csv")

rio::export(my_iris, la_ruta)

rio::export(my_iris, here::here("pruebas", "my_iris.csv"))
```

]
]
]

---
##### Seguimos exportando datos con el paquete `rio`

.bg-washed-purple.b--dark-purple.ba.bw2.br3.shadow-5.ph4.mt5[

.panelset[

.panel[.panel-name[Tarea 1]

- Por favor, utiliza la función `rio::export()` para exportar el conjunto de datos `iris` a varios ficheros de tu ordenador.

Concretamente has de exportar `iris` a los siguientes formatos: `.csv`, `.xlsx` y `.sav`.
]

.panel[.panel-name[Solución 1]

```r

rio::export(iris, here::here("pruebas", "iris.csv"))

rio::export(iris, here::here("pruebas", "iris.xlsx"))

rio::export(iris, here::here("pruebas", "iris.sav"))
```

]

.panel[.panel-name[Tarea 2]

- Por favor, utiliza la función `rio::export()` para **exportar** el conjunto de .yellow-h[datos `penguins` del paquete `palmerpenguins`] a varios ficheros de tu ordenador.

Concretamente has de exportar los datos de los pingüinos a los siguientes formatos: `.csv`, `.xlsx`  y `.dta`.
]

.panel[.panel-name[Solución 2]

```r
rio::export(palmerpenguins::penguins, here::here("pruebas", "pinguinos.csv"))

rio::export(palmerpenguins::penguins, here::here("pruebas", "pinguinos.xlsx"))

rio::export(palmerpenguins::penguins, here::here("pruebas", "pinguinos.dta"))
```

]

]
]

- Vamos a volver a hacer la Tarea 1, **pero à la PRO**: vamos a usar un bucle FOR (any ideas??)

---
class: inverse, center, middle

## Volvemos a IMPORTAR

#### Vamos a importar los ficheros que hemos creado previamente.

---

##### Seguimos importando datos con el paquete `rio`

.bg-washed-purple.b--dark-purple.ba.bw2.br3.shadow-5.ph4.mt5[

.panelset[

.panel[.panel-name[Tarea 1]

- Por favor, utiliza la función `rio::import()` para importar (cargar en memoria) los datos que hay en el fichero `"./pruebas/iris.csv"`

- Después importa los datos del fichero: `"./pruebas/iris.xlsx"`
]

.panel[.panel-name[Solución 1]

```r
rm(list = ls())

iris_1 <- rio::import(here::here("pruebas", "iris.csv"))

iris_2 <- rio::import(here::here("pruebas", "iris.xlsx"))
```

]

.panel[.panel-name[Tarea 2]

- Por favor, utiliza la función `rio::import()` para importar los datos que haya en el fichero: `"./pruebas/pinguinos.csv"`.

- Después importa los datos del fichero: `"./pruebas/pinguinos.xlsx"`

- Después importa los datos del fichero: `"./pruebas/pinguinos.dta"`

]

.panel[.panel-name[Solución 2]

Esta vez ya no hay solución!!! Tienes que acostumbrarte a escribir en R.

Ya te manejas leyendo, PERO hay que empezar a escribir!!

]
]
]

---
background-image: url(data:image/png;base64,#imagenes/hot-pepper_1f336.png)
background-position: 99% 1%
background-size: 3%

##### Una última cosa

Es importante que diferenciéis entre .orange[descargarse un fichero] y .brown[cargar el fichero en R], cargar el fichero en memoria de R (en el Global)

- Con **download.file()** .orange[descargamos] (y por lo tanto guardamos) los datos en un fichero de nuestro ordenador

```r
#- en esta url hay un fichero de datos en formato .csv
my_url <- "https://raw.githubusercontent.com/perezp44/iris_data/master/data/iris.csv"
  
download.file(url = my_url, 
              destfile = "./pruebas/iris_descargado.csv")

curl::curl_download(url = my_url, 
                    destfile = here::here("pruebas", "iris_descargado.csv"))
```

<br>

- Con **rio::import()** .brown[cargamos los datos en memoria de R], en el Global, pero no los guardamos.

```r
aa <- rio::import(my_url)
```

- Obviamente, una vez tenemos los datos en el Global, siempre podemos guardarlos con  `rio::export()`

---
class: inverse, center, middle
background-image: url(data:image/png;base64,#imagenes/hot-pepper_1f336.png)
background-position: 99% 1%
background-size: 3%

## Algunos BONUS de I/O

<br>

#### Con lo que hemos visto hasta ahora nos apañamos, pero conviene ver alguna cosa más ...

---

##### Bonus 1:  exportar los datos de un df en un archivo `.xlsx` ya existente.

```r
#- bonus: le añadimos un libro mas al archivo "./pruebas/iris.xlsx"

rio::export(iris, "./pruebas/iris.xlsx")  #- por si acaso lo hubiésemos borrado

rio::export(iris, "./pruebas/iris.xlsx", which = "iris_2")

rio::export(x = iris, 
           file = here::here("pruebas", "iris.xlsx"), 
           which = "iris_3")
```

<br>

----------------

<br>

##### Bonus 2: (!!) exportar 2 df's en un único archivo `.xlsx`

```r
rio::export(x = list(iris = iris, 
                     pinguinos = palmerpenguins::penguins), 
            file = here::here("pruebas", "my_iris_pinguinos.xlsx"))
```

---

##### Bonus 3: (!!) importar una hoja/libro especifica de un archivo `.xlsx`

```r

iris_1 <- rio::import(here::here("pruebas", "my_iris_pinguinos.xlsx"))  #- solo importa el primer libro

pinguinos_1 <- rio::import(here::here("pruebas", "my_iris_pinguinos.xlsx"), 
                                      sheet = 2)

pinguinos_2 <- rio::import(here::here("pruebas", "my_iris_pinguinos.xlsx"), 
                                      sheet = "pinguinos")
```

<br>

---

##### Bonus 4: (!!!!) importamos todos los libros de un archivo `.xlsx`

```r

library(readxl) #- necesitamos readxl::excel_sheet()

mys_sheets <- readxl::excel_sheets(here::here("pruebas", "my_iris_pinguinos.xlsx"))

#- con base::lapply()
my_dfs_list <- lapply(mys_sheets,
                      readxl::read_excel,
                      path = here::here("pruebas", "my_iris_pinguinos.xlsx"))

#- con purrr::map()
my_dfs_list <- purrr::map(mys_sheets, 
                           readxl::read_excel,
                           path = here::here("pruebas", "my_iris_pinguinos.xlsx"))
```

<br>

- OK, pero tenemos los 2 data.frames dentro de una lista ¿qué hacemos?

```r

#- Extrayendo un data.frame de una lista: con [[]]

my_iris <- my_dfs_list2[[1]]
```

---

##### Bonus 5: (!!!!!!) importamos todos archivos de datos de una carpeta concreta

<br>

- Por ejemplo, vamos a cargar en memoria de R todos los ficheros de datos que tenemos en la carpeta `"pruebas"`

```r
#- importamos todos los archivos que hemos creado en "./pruebas/"
*library(purrr)
my_carpeta <- here::here("pruebas")

lista_de_archivos <- list.files(my_carpeta)  #- Ok con base ...
lista_de_archivos <- fs::dir_ls(my_carpeta)  #- pero mejor con el pkg "fs"

my_dfs_list_2 <- map(lista_de_archivos, rio::import)
```

---
background-image: url(data:image/png;base64,#imagenes/hot-pepper_1f336.png)
background-position: 99% 1%
background-size: 3%

##### Vamos a dejar limpia la carpeta `"./pruebas/"`

```r
#- vamos a limpiar el Rproject: vamos a borrar los archivos q hemos creado:

list.files("./pruebas")     #- listado de archivos en la carpeta "./pruebas"

file.remove("./pruebas/pinguinos.dta")   #- borramos un archivo

#- borramos todos los archivos de ./pruebas/
file.remove(file.path("./pruebas", list.files("./pruebas")))

#- borramos toda la carpeta con el pkg fs
fs::dir_delete("pruebas")

```

---
class: inverse, center, middle

### Aún tenemos que ver alguna cosa más

<br>

#### Formatos de datos propios de R

#### Obtener datos a través de API's

####  Webscrapping

---

##### Formatos de datos propios de <svg viewBox="0 0 581 512" style="height:1em;position:relative;display:inline-block;top:.1em;" xmlns="http://www.w3.org/2000/svg">  <path d="M581 226.6C581 119.1 450.9 32 290.5 32S0 119.1 0 226.6C0 322.4 103.3 402 239.4 418.1V480h99.1v-61.5c24.3-2.7 47.6-7.4 69.4-13.9L448 480h112l-67.4-113.7c54.5-35.4 88.4-84.9 88.4-139.7zm-466.8 14.5c0-73.5 98.9-133 220.8-133s211.9 40.7 211.9 133c0 50.1-26.5 85-70.3 106.4-2.4-1.6-4.7-2.9-6.4-3.7-10.2-5.2-27.8-10.5-27.8-10.5s86.6-6.4 86.6-92.7-90.6-87.9-90.6-87.9h-199V361c-74.1-21.5-125.2-67.1-125.2-119.9zm225.1 38.3v-55.6c57.8 0 87.8-6.8 87.8 27.3 0 36.5-38.2 28.3-87.8 28.3zm-.9 72.5H365c10.8 0 18.9 11.7 24 19.2-16.1 1.9-33 2.8-50.6 2.9v-22.1z"></path></svg>

- Guardar datos en formatos como `.csv` o `.xlsx` es lo más habitual si quieres abrir estos datos en otros programas, pero ...

- ... pero al grabar en estos formatos guardas los datos, PERO **no guardas los metadatos**; por ejemplo, si una columna la has definido como un factor o como integer, esta información se perderá. En estos casos, una solución es usar los formatos propios de R.

<br>

##### <svg viewBox="0 0 581 512" style="height:1em;position:relative;display:inline-block;top:.1em;" xmlns="http://www.w3.org/2000/svg">  <path d="M581 226.6C581 119.1 450.9 32 290.5 32S0 119.1 0 226.6C0 322.4 103.3 402 239.4 418.1V480h99.1v-61.5c24.3-2.7 47.6-7.4 69.4-13.9L448 480h112l-67.4-113.7c54.5-35.4 88.4-84.9 88.4-139.7zm-466.8 14.5c0-73.5 98.9-133 220.8-133s211.9 40.7 211.9 133c0 50.1-26.5 85-70.3 106.4-2.4-1.6-4.7-2.9-6.4-3.7-10.2-5.2-27.8-10.5-27.8-10.5s86.6-6.4 86.6-92.7-90.6-87.9-90.6-87.9h-199V361c-74.1-21.5-125.2-67.1-125.2-119.9zm225.1 38.3v-55.6c57.8 0 87.8-6.8 87.8 27.3 0 36.5-38.2 28.3-87.8 28.3zm-.9 72.5H365c10.8 0 18.9 11.7 24 19.2-16.1 1.9-33 2.8-50.6 2.9v-22.1z"></path></svg> tiene 2 formatos de datos propios: .rds y .rda

- **Rds**: si quieres grabar un solo objeto, es preferible hacerlo como `.Rds`
    
  - **Rda**: si quieres grabar varios objetos tienes que hacerlo como `RData` o abreviado como `.Rda`

---

##### Formato .RData (o .Rda)

El formato `.RData` tiene la ventaja de que **puedes guardar varios objetos a la vez**.

Una “desventaja” del formato RData es que al importar un fichero .RData, los objetos que contiene se cargan siempre con el nombre con el que fueron grabados.

- Para exportar datos a formato `.Rda`

```r
save(mtcars, iris,  file = here::here("pruebas", "mtcars_and_iris.RData")
```

<br>

- Para importar datos en formato `.Rda`: tienes que usar la función `load()`

```r
load(here::here("pruebas", "mtcars_and_iris.RData"))
```

<br>

---

##### Formato .rds

<br>

- (3 formas de) **Exportar** datos a formato `.rds`

```r
saveRDS(iris, here::here("pruebas", "iris_1.rds"))          #- con base-R

readr::write_rds(iris, here::here("pruebas", "iris_2.rds")) #- con pkg "readr"

*rio::export(iris, here::here("pruebas", "iris_3.rds"))
```

<br>

- (3 formas de) **Importar** datos en formato `.rds`

```r
my_iris_1 <- readRDS(here::here("pruebas", "iris_1.rds"))  #- con R-base

my_iris_2 <-readr::read_rds(here::here("pruebas", "iris_2.rds")) #- tidyverse

*my_iris_3 <- rio::import(here::here("pruebas", "iris_3.rds"))
```

---
class: inverse, center, middle

### Acceder a datos a través de API's

###### Hay muuuuuchas organizaciones que ofrecen datos a traves de API's y ...

###### ... en muchas ocasiones, hay un paquete de R para acceder fácilmente a ellos!!!

---

##### Eurostat

- Por ejemplo el paquete [`eurostat`](https://ropengov.github.io/eurostat/) permite acceder a las API's de Eurostat

```r
# install.packages("eurostat")
library(eurostat)

df <- get_eurostat("cult_emp_sex", time_format = 'raw', keepFlags = T)       #- bajamos los datos de la tabla "cult_emp_sex": empleo cultural por genero"
```

<br>

##### Si quieres probar tu mismo a bajar datos de Eurostat:

```r
library(eurostat)

#- podemos buscar un  "tema" con la f. search_eurostat()
aa <- search_eurostat("employment", type = "all")

#- elegimos una tabla de Eurostat
my_table <- "hlth_silc_17"   #- elegimos una tabla; por ejemplo "hlth_silc_17": "Healthy life expectancy based on self-perceived health"
label_eurostat_tables(my_table) #- da informacion sobre la Base de datos q estas buscando

#-  descargamos los datos con get_eurostat()
df <- get_eurostat(my_table, time_format = "raw", keepFlags = TRUE )   #- bajamos los datos de una tabla
df_l <- label_eurostat(df)        #- pone labels: mas legible, menos fácil de programar
```

---

##### El paquete [`quantmod`](http://www.quantmod.com/)

<br>

Permite acceder a una gran variedad de datos económicos. [Aquí](https://www.quantmod.com/) está su web.

```r
library(quantmod)  #- install.packages("quantmod")

#- For stocks and shares, the yahoo source is used. 
facebook  <- getSymbols(Symbols = 'F', src = 'yahoo', auto.assign = FALSE)  
barChart(facebook)

#- For currencies and metals, the oanda source is used.
tc_euro_dolar <- getSymbols(Symbols = 'EUR/USD', src = 'oanda', auto.assign = FALSE)

#- For economics series, the FRED source is used. 
Japan_GDP <- getSymbols(Symbols = 'JPNNGDP', src = 'FRED', auto.assign = FALSE)
```

---
class: inverse, center, middle

## Webscrapping

#### Obtener datos directamente de páginas web, de su código html.

---
##### Webscrapping (ejemplo 1)

- Pueblos más "altos" de Teruel: [aquí](https://es.wikipedia.org/wiki/Anexo:Municipios_de_la_provincia_de_Teruel) puedes ver la tabla

```r
library(rvest)
library(tidyverse)
my_url <- "https://es.wikipedia.org/wiki/Anexo:Municipios_de_la_provincia_de_Teruel"
content <- read_html(my_url)

body_table <- content %>%
              html_nodes('body')  %>%
              html_nodes('table') %>%
              html_table(dec = ",")

#- solo hay una tabla
Teruel <- body_table[[1]]  #- estoy haciendo subsetting de una lista
```

- Vamos a arreglar un poco la tabla

```r
names(Teruel) <- c("Nombre", "Extension", "Poblacion",
                   "Densidad", "Comarca", "Partido_judicial", "Altitud")
library(stringr)
Teruel <- Teruel %>% map(str_trim) %>% as_tibble() #- quita caracteres al final

Teruel <- Teruel %>% mutate(Altitud = str_replace_all(Altitud,"[[:punct:]]", ""))

Teruel <- Teruel %>% mutate(Altitud = as.double(Altitud)) %>% arrange(desc(Altitud))
```

---
##### Webscrapping (ejemplo 2)

<br>

- Covid: en [esta página](https://es.wikipedia.org/wiki/Pandemia_de_enfermedad_por_coronavirus_de_2020_en_Espa%C3%B1a) tenemos datos sobre covid.

```r
library(rvest)
library(tidyverse)

my_url <- "https://es.wikipedia.org/wiki/Pandemia_de_enfermedad_por_coronavirus_de_2020_en_Espa%C3%B1a"

content <- read_html(my_url)
body_table <- content %>%
              html_nodes('body')  %>%
              html_nodes('table') %>%
              html_table(dec = ",", fill = TRUE)

#- la página web tiene 9 tablas
tabla_7 <- body_table[[7]]
tabla_8 <- body_table[[8]]
```

<br>

Un [artículo](https://github.com/mdogucu/web-scrape) donde se valoran las ventajas e inconvenientes de introducir Web scrapping en el curriculum

---
class: inverse, center, middle

## Hagamos un caso un poco más complejo

#### Lo tenéis que hacer vosotros y cuenta para nota (😜)

---

##### Os propongo el siguiente ejercicio:

- Resulta que quiero saber que provincia tiene más municipios, así que me voy al INE, concrétamente [aquí](https://www.ine.es/daco/daco42/codmun/codmunmapa.htm). En esa página hay un fichero que nos permitirá contar el nº de municipios.

.bg-washed-purple.b--dark-purple.ba.bw2.br3.shadow-5.ph4.mt5[

.panelset[

.panel[.panel-name[Tarea]

Hay que descargar el fichero con la relación de municipios del INE. El fichero está aquí:  <https://www.ine.es/daco/daco42/codmun/codmun20/20codmun.xlsx>

- Primero vamos a hacerlo con el paquete `rio`

- Después vamos a ver como podríamos importarlo con menús (que no nos vea Hadley!!)

- Después lo haremos con el paquete `readxl`

- Por último la haremos un poco más "profesional"

]

.panel[.panel-name[Solución 1 (con rio)]

- Primero con el paquete `rio`

```r
rm(list = ls())  #- antes vamos a limpiar el Global env.

my_url <- "https://www.ine.es/daco/daco42/codmun/codmun20/20codmun.xlsx"

my_ruta_guardar <- here::here("pruebas", "20codmun.xlsx")

curl::curl_download(my_url, my_ruta_guardar) #- lo guardo en disco

df_1 <- rio::import(my_ruta_guardar) #- q pb tenemos?
```

- ¿Qué problema tenemos?

]

.panel[.panel-name[Solución 2 (por menús)]

- Vamos a usar menús, pero que no nos vea Hadley!!!

- Seguid la siguiente ruta de menús: `File > Import Dataset > From Excel ...`

- Pegáis en la caja de texto el `url` y pincháis el botón `update`

- ....

]

.panel[.panel-name[Solución 3 (con `readxl`)]

```r
df_2 <- readxl::read_xlsx(my_url, skip = 1)  #- no funciona. solo lee del PC

my_ruta_guardar <- here::here("pruebas", "20codmun.xlsx")

df_2 <- readxl::read_xlsx(my_ruta_guardar, skip = 1)
```

]
]
]

---
background-image: url(data:image/png;base64,#imagenes/hot-pepper_1f336.png)
background-position: 99% 1%
background-size: 3%

##### Podemos hacerlo un poco más "profesional", por ejemplo ...

- Descargo el archivo de forma más profesional [🌶🌶🌶🌶🌶]

```r
#- script para bajar la relación de municipios INE a 1 de enero de 2021 
url_descarga <- "https://www.ine.es/daco/daco42/codmun/diccionario21.xlsx"
nombre_fichero <- "diccionario21.xlsx"

#- obtengo el nombre del archivo
nombre_fichero <- stringr::str_extract(url_descarga, "([^\\/]+$)")

#- añado la fecha de descarga al nombre de archivo
extension <- stringr::str_extract(url_descarga, "([^\\.]+$)")
nombre <- stringr::str_remove(nombre_fichero, paste0(".",extension))
nombre_fichero <- paste0(nombre , "_", Sys.Date(), ".", extension)

#- lo guardo
my_ruta <- here::here("pruebas", nombre_fichero) #- ruta para guardar el fichero
curl::curl_download(url = url_descarga, destfile = my_ruta)
```

- Importo el fichero a la memoria de R

```r
df <- readxl::read_xlsx(path = my_ruta, skip = 1)

#- la verdad es que skip = 1 también hubiese funcionado con el paquete `rio` 
#- ya que `rio` llama a `readxl`
```

---
background-image: url(data:image/png;base64,#imagenes/hot-pepper_1f336.png)
background-position: 99% 1%
background-size: 3%

##### ... seguimos con el ejemplo

- Arreglo los datos a mi gusto [🌶]

```r
library(tidyverse)
df <- df %>% 
      mutate(ine_muni = paste0(CPRO, CMUN)) %>% 
      mutate(year = "2021") %>%          #- !! cómo lo guardaría?
      mutate(year = as.numeric(year)) %>% 
      rename(ine_muni.n = NOMBRE) %>% 
      rename(ine_prov = CPRO) %>% 
      select(ine_muni, ine_muni.n, ine_prov, year)

str(df)
```

<br>

-  Exporto el archivo (por si lo quiero guardar)

```r
readr::write_csv(df, file = here::here("pruebas", "my_relacion_muni_2021.csv"))
```

---
background-image: url(data:image/png;base64,#imagenes/hot-pepper_1f336.png)
background-position: 99% 1%
background-size: 6%

##### Como véis no he contado el nº de municipios por provincia

- Se puede hacer de varias maneras, abajo tienes 2:

```r
df_muni <- df %>% group_by(ine_prov) %>% summarise(numero_muni = n())

df_muni <- df %>% count(ine_prov)
```

##### Si quisiéramos saber el nombre de las provincias ...

- Tendríamos que cargar un nuevo fichero con esa información:

```r
#- pak::pak("perezp44/pjpv.curso.R.2022")
codigos_prov <- pjpv.curso.R.2022::ine_pob_mun_1996_2021 %>% 
                select(ine_prov, ine_prov.n) %>% 
                distinct()
```

- Para finalmente fusionar los 2 ficheros:

```r
#- fusiono los 2 ficheros (lo veremos!!)
df_ok <- left_join(df_muni, codigos_prov)
```

- Borro la carpeta `pruebas` para dejar el Rproject limpio

```r
fs::dir_delete("pruebas")  #- [🌶] borro la carpeta pruebas
```

---
class: inverse, center, middle

### Algunas cosas más sobre importación de datos [🌶🌶🌶]

#### Son una miscelanea de tópicos sueltos, curiosidades, etc ...

---
##### disgresión: es lo mismo un data.frame que una tibble [🌶🌶🌶]

- Sí y no (!!!). Para nosotros serán equivalentes. Podemos pensar que las tibbles son data.frame's modernizados o tuneados.

- Las dos son estructuras de R para almacenar datos. Si quieres ver en qué se diferencian ve [aquí](https://tibble.tidyverse.org/)

```r
typeof(iris)
#> [1] "list"
class(iris)
#> [1] "data.frame"
names(attributes(iris))
#> [1] "names"     "class"     "row.names"

iris_2 <- tibble::as_tibble(iris)
typeof(iris_2)
#> [1] "list"
class(iris_2)
#> [1] "tbl_df"     "tbl"        "data.frame"
names(attributes(iris_2))
#> [1] "class"     "row.names" "names"
```

- Alguna funciones antiguas puede que no funcionen con tibbles. Si te pasa esto, tienes que usar `as.data.frame()`. Puedes leerlo [aquí](https://r4ds.had.co.nz/tibbles.html)

---
##### no siempre es fácil publicar bien unos datos

.pull-left[
- Por ejemplo [este tweet](https://twitter.com/jescuderoma/status/1375030727373430789/photo/1)

]

.pull-right[

- Una [guía](https://datos.gob.es/es/documentacion/guia-practica-para-la-publicacion-de-datos-tabulares-en-archivos-csv) para publicar datos en .csv. [Aquí](https://datos.gob.es/sites/default/files/doc/file/cheat_sheet_csv_vf.pdf) la cheatsheet

- Un [buen post](http://r4stats.com/2018/03/28/using-excel-for-data-entry/) sobre la misma temática
]

---

##### para descargar ficheros es mejor usar curl::curl()

- curl::curl() mejor que download.file(). Razones [aquí](https://github.com/jeroen/curl).

```r
curl::curl_download(
      url = "https://direccion-al-archivo.gpx", 
      destfile = "./datos/pruebas/my_archivo.gpx")
```

##### si desde R quieres importar/exportar a Excel ...

- Si desde R quieres leer/escribir ficheros de Excel complejos, quizás ahora mismo el mejor pquete para ello es [openxlsx](https://ycphs.github.io/openxlsx/). Además ya no depende de Java.

##### ¿por qué usar here::here()?

- Es denso, pero el mejor [post](https://malco.io/2018/11/05/why-should-i-use-the-here-package-when-i-m-already-using-projects/) que he leído sobre el tema.

##### Para cargar .Rda desde la web

```r
#- hay que usar load(url())
df <- load(url('http://gedemced.uab.cat/images/POP_ENC_AMB_2014.Rdata'))
#- pero si no funciona, usa  repmis::source_data()
my_url <- "https://github.com/perezp44/LAU2boundaries4spain/blob/master/data/Provincias.rda?raw=true"
df <- load(url(my_url)) #- no funciona
df <- repmis::source_data(my_url)
```

---

##### el buscador de datos de Google

- Os puede servir para vuestros trabajos: <https://datasetsearch.research.google.com/>

<br>

##### selecciónando manualmente un archivo de datos

- Este truco es chulo ... pero no hay que hacerlo

```r
my_data <- rio::import(file.choose())
```

---

##### algunas referencias

- El [capítulo](https://r4ds.had.co.nz/data-import.html) de importación de datos de R4DS.

- Un [buen capítulo](https://ubc-dsci.github.io/introduction-to-datascience/reading.html) sobre importación de datos en R.

- Muy [buen tutorial](https://mgimond.github.io/ES218/Week02b.html)

- Unas [buenas transparencias](https://stats220.earo.me/02-import-export.html#1) de Earo Wang. [Aquí](https://stats220.earo.me/pages/data/) están sus datos.