가져오기 (Import)

책의 이 파트에서는 더 넓은 범위의 데이터를 R로 가져오는 방법과 이를 분석에 유용한 형태로 만드는 방법을 배웁니다. 때로는 적절한 데이터 가져오기 패키지의 함수를 호출하는 것만으로 충분할 수도 있습니다. 하지만 더 복잡한 경우에는 선호하는 깔끔한 직사각형(tidy rectangle) 형태를 만들기 위해 정리(tidying)와 변형(transformation)이 모두 필요할 수 있습니다.

Figure 1: 데이터 가져오기는 데이터 과학 프로세스의 시작입니다. 데이터가 없으면 데이터 과학을 할 수 없습니다!

책의 이 파트에서는 다음과 같은 방식으로 저장된 데이터에 접근하는 방법을 배웁니다:

• 20  스프레드시트 에서는 Excel 스프레드시트와 Google 스프레드시트에서 데이터를 가져오는 방법을 배웁니다.

• 21  데이터베이스 에서는 데이터베이스에서 데이터를 R로 가져오는 방법(그리고 R에서 데이터를 데이터베이스로 내보내는 방법도 조금) 배웁니다.

• 22  Arrow 에서는 특히 데이터가 파켓(parquet) 형식으로 저장된 경우, 메모리 부족(out-of-memory) 데이터를 작업하기 위한 강력한 도구인 Arrow에 대해 배웁니다.

• 23  계층적 데이터 에서는 JSON 형식으로 저장된 데이터에 의해 생성된 깊게 중첩된 리스트를 포함하여 계층적 데이터를 작업하는 방법을 배웁니다.

• 24  웹 스크래핑 에서는 웹페이지에서 데이터를 추출하는 기술과 과학인 웹 “스크래핑(scraping)”을 배웁니다.

여기서 다루지 않는 두 가지 중요한 tidyverse 패키지가 있습니다: haven과 xml2. SPSS, Stata, SAS 파일의 데이터를 작업한다면 haven 패키지(https://haven.tidyverse.org)를 확인하세요. XML 데이터를 작업한다면 xml2 패키지(https://xml2.r-lib.org)를 확인하세요. 그렇지 않은 경우 어떤 패키지를 사용해야 할지 알아내기 위해 조사가 필요할 것입니다. 구글(google)은 여러분의 친구입니다 😃.