0Pricing
R Academy · Leçon

Lire des fichiers CSV avec read_csv()

Importez des fichiers délimités avec des options de déduction des types de colonnes, d’omission et d’encodage.

Lire des fichiers CSV avec read_csv() est une leçon R Academy gratuite sur CoddyKit. Ceci est la leçon 1 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage R Academy, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours R Academy comprend 4 leçons au total.

Pourquoi utiliser readr plutôt que R de base ?

R de base propose read.csv(), mais la fonction read_csv() du package readr est plus rapide, renvoie un tibble (et non un tableau de données), offre une meilleure détection automatique des types par défaut et affiche des messages informatifs sur les types de colonnes détectés.

library(readr)

# read_csv() vs read.csv():
# 1. Returns a tibble (prints nicely, faster subsetting)
# 2. Does NOT convert strings to factors by default
# 3. Shows column specification message
# 4. Faster for large files

# Example with a simple inline CSV:
df <- read_csv('name,score,grade
Alice,85,B
Bob,92,A
Carol,78,C')

print(df)
print(class(df))

read_csv() à partir d’un chemin de fichier

Le cas d’utilisation le plus courant consiste à transmettre une chaîne représentant le chemin d’un fichier à read_csv(). La fonction détecte automatiquement la virgule comme séparateur, lit la première ligne comme en-têtes et déduit les types de colonnes à partir des 1000 premières lignes.

library(readr)

# Reading from a file path (illustrative — file not present)
# df <- read_csv('data/sales_2024.csv')

# Reading from a URL also works:
# df <- read_csv('https://example.com/data.csv')

# Using a literal inline string for demonstration:
df <- read_csv('region,q1,q2,q3
East,100,120,115
West,200,195,210
North,80,85,90')

print(df)

col_types — Spécifier les types de colonnes

Utilisez col_types pour remplacer la détection automatique des types de readr. Transmettez une chaîne compacte (un caractère par colonne : c=caractère, d=double, i=entier, l=logique, D=date, _=ignorer) ou une spécification cols().

library(readr)

df <- read_csv('id,date,amount,active
1,2024-01-15,99.99,TRUE
2,2024-02-20,149.50,FALSE
3,2024-03-10,75.00,TRUE',
# Compact: integer, Date, double, logical
col_types = 'iDdl')

print(df)
cat('\nColumn types:\n')
print(sapply(df, class))

cols() pour spécifier explicitement les types

Pour un contrôle plus précis, utilisez cols() afin d’indiquer le type de chaque colonne. Utilisez les fonctions de collecte suivantes : col_double(), col_character(), col_integer(), col_date(format=), col_skip() et col_guess().

library(readr)

df <- read_csv('id,name,score,date
1,Alice,85.5,2024-01-15
2,Bob,92.0,2024-02-20
3,Carol,78.3,2024-03-10',
col_types = cols(
  id = col_integer(),
  name = col_character(),
  score = col_double(),
  date = col_date(format = '%Y-%m-%d')
))

print(df)
print(class(df$date))

Arguments skip et n_max

skip=n ignore les n premières lignes avant la lecture (utile pour les métadonnées ou les en-têtes de commentaires). n_max=n lit au maximum n lignes de données — idéal pour prévisualiser de gros fichiers ou ne charger que le premier bloc.

library(readr)

# File with metadata in first 2 lines
# (simulated with literal string)
df <- read_csv('# Generated 2024-01-15
# Source: internal DB
name,score,grade
Alice,85,B
Bob,92,A
Carol,78,C
Dave,88,B',
skip = 2,     # Skip the 2 comment lines
n_max = 3     # Read only 3 data rows
)

print(df)

Argument na — Définir les valeurs manquantes

Par défaut, read_csv() considère les chaînes vides et NA comme des valeurs manquantes. Utilisez l’argument na pour indiquer d’autres chaînes qui doivent être lues comme NA — par exemple : 'N/A', 'NULL', '-999', '.'.

library(readr)

df <- read_csv('name,score,city
Alice,85,NYC
Bob,N/A,NULL
Carol,78,.
Dave,-999,Chicago',
na = c('', 'NA', 'N/A', 'NULL', '.', '-999')
)

print(df)
cat('NAs per column:\n')
print(colSums(is.na(df)))

col_names — Noms personnalisés des colonnes

Définissez col_names = FALSE lorsque le fichier ne comporte pas de ligne d’en-tête — readr nommera automatiquement les colonnes X1, X2, etc. Vous pouvez également transmettre un vecteur de caractères à col_names pour définir des noms personnalisés et ignorer la ligne d’en-tête.

library(readr)

# File without headers
df <- read_csv('Alice,85,NYC
Bob,92,LA
Carol,78,Chicago',
col_names = c('name','score','city')
)

print(df)

# auto-names when no header:
df2 <- read_csv('1,2,3
4,5,6', col_names = FALSE)
print(df2)

locale() — Gérer les formats non standard

locale() contrôle la manière dont readr interprète les formats propres à une région : séparateurs décimaux (',' dans les données européennes), formats de date, encodage et séparateurs de milliers. Transmettez-le à read_csv(locale=...).

library(readr)

# European-style CSV: semicolons as delimiters, comma as decimal
# read_csv2() is shorthand for this locale
df <- read_csv2('name;price;qty
Alice;9,99;100
Bob;24,50;50',
locale = locale(decimal_mark=',')
)

print(df)

# For dates in non-ISO format:
parse_date('15/01/2024', format='%d/%m/%Y')

progress et show_col_types

Pour les gros fichiers, read_csv() affiche une barre de progression. Définissez progress=FALSE pour la désactiver (utile dans les scripts). show_col_types=FALSE supprime le message sur les types de colonnes lorsque vous les avez déjà vérifiés.

library(readr)

# Suppress progress and type messages for production scripts
df <- read_csv(
  'a,b,c
  1,x,TRUE
  2,y,FALSE',
  show_col_types = FALSE,
  progress = FALSE
)

print(df)

Problems() — Diagnostiquer les échecs d’analyse

Lorsque readr rencontre des valeurs qui ne correspondent pas au type attendu, il les remplace par NA et enregistre un avertissement. Appelez problems(df) pour examiner précisément les lignes et les colonnes concernées, ainsi que les valeurs d’origine.

library(readr)

# Intentional type mismatch: 'N/A' in numeric column
df <- suppressWarnings(read_csv(
  'id,score
  1,85
  2,N/A
  3,92',
  col_types = cols(score = col_double())
))

print(df)
print(problems(df))

Lire plusieurs fichiers avec map()

Combinez readr avec purrr::map() pour lire et assembler par lignes plusieurs fichiers CSV en une seule étape. Ce schéma est essentiel pour traiter des données mensuelles ou trimestrielles réparties dans des fichiers distincts.

library(readr)
library(purrr)
library(dplyr)

# Simulated: read and bind multiple CSV files
files <- c('q1.csv', 'q2.csv', 'q3.csv')

# In practice:
# all_data <- map_df(files, read_csv, show_col_types=FALSE)

# Demonstration with inline data:
q1 <- read_csv('month,sales\nJan,100\nFeb,120', show_col_types=FALSE)
q2 <- read_csv('month,sales\nApr,130\nMay,145', show_col_types=FALSE)

bind_rows(list(q1=q1, q2=q2), .id='quarter')

Vérification rapide

Comment indiquer à read_csv() que les valeurs 'N/A' et '-99' doivent être traitées comme manquantes (NA) ?

Récapitulatif : read_csv() avec readr

Points essentiels à retenir pour lire des fichiers CSV avec readr :

  • read_csv('file.csv') — lit un fichier CSV, renvoie un tibble et déduit les types de colonnes
  • col_types = 'idcl' ou cols(x=col_double()) — spécification explicite des types
  • skip=n — ignore les lignes d’en-tête ou de métadonnées ; n_max=n — limite le nombre de lignes lues
  • na = c('N/A','NULL') — traite d’autres chaînes comme NA
  • locale(decimal_mark=',') — gère les formats numériques européens
  • show_col_types=FALSE — supprime les informations sur les types dans les scripts
  • problems(df) — examine les échecs d’analyse
  • Combinez avec map_df(files, read_csv) pour plusieurs fichiers
library(readr)

# Production-ready read_csv() call
df <- read_csv(
  'name,score,city,active
  Alice,85,NYC,TRUE
  Bob,N/A,LA,FALSE
  Carol,78,NULL,TRUE',
  col_types = cols(
    name = col_character(),
    score = col_double(),
    city = col_character(),
    active = col_logical()
  ),
  na = c('', 'NA', 'N/A', 'NULL'),
  show_col_types = FALSE
)

print(df)

Questions Fréquemment Posées

La leçon « Lire des fichiers CSV avec read_csv() » est-elle gratuite ?

Oui — le texte complet de « Lire des fichiers CSV avec read_csv() » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours R Academy, passe à CoddyKit PRO. Le cours R Academy comprend 4 leçons au total.

Qu'est-ce que j'apprendrai dans « Lire des fichiers CSV avec read_csv() » ?

Importez des fichiers délimités avec des options de déduction des types de colonnes, d’omission et d’encodage. Tu pratiques R Academy avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.

Dois-je avoir de l'expérience pour commencer R Academy ?

Aucune expérience préalable n'est requise. R Academy sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 1 sur 4.

Combien de temps prend la leçon « Lire des fichiers CSV avec read_csv() » ?

La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.

Peux-tu écrire et exécuter du code dans cette leçon R Academy ?

Oui. Chaque leçon R Academy inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.

Toutes les leçons de ce cours

  1. Lire des fichiers CSV avec read_csv()
  2. Analyser des fichiers TSV et à largeur fixe
  3. Importer des fichiers Excel avec readxl
  4. Écrire des données dans plusieurs formats
← Retour à R Academy