写在前面的话
这篇文章为我提交的 dplyr issue，关于连接数据库以及解决中文乱码问题。所以这篇文章主要有三个点：
- dplyr 调用数据库
- R连接数据库 RSQLite
- readr 方便快捷读入写出数据
这些都是基本的处理数据的技能，dplyr包能够处理GB级别的数据，再加上SQLite本地轻型数据库，可以实现数据存储、调用、清洗、处理等一个系列问题。时间有限，背景说明就少说一点，直接上干货。 请对照参考我提交的两个issues:https://github.com/hadley/dplyr/issues/1561 , https://github.com/rstats-db/RSQLite/issues/108.
1. 可重复使用的例子
SQL代码生成需要用的tables
在你的sqlite里面运行下面代码，就能得到例子中用到的两个表。关于搭建sqlite下次有时间再写详细教程，其实非常简单，根本不需要部署，安装了就可以用，可自行百度去。
-- ----------------------------
-- Table structure for flights
-- ----------------------------
DROP TABLE IF EXISTS "main"."flights";
CREATE TABLE flights(
year INT,
month INT,
day INT,
dep_time INT,
dep_delay REAL,
arr_time INT,
arr_delay REAL,
carrier TEXT,
tailnum TEXT
);
-- ----------------------------
-- Records of flights
-- ----------------------------
INSERT INTO "main"."flights" VALUES (2013, 1, 1, 517, 2.0, 830, 11.0, 'UA', 'N14228');
INSERT INTO "main"."flights" VALUES (2013, 1, 1, 533, 4.0, 850, 20.0, 'UA', 'N24211');
INSERT INTO "main"."flights" VALUES (2013, 1, 1, 542, 2.0, 923, 33.0, 'AA', 'N619AA');
INSERT INTO "main"."flights" VALUES (2013, 1, 1, 544, -1.0, 1004, -18.0, 'B6', 'N804JB');
INSERT INTO "main"."flights" VALUES (2013, 1, 1, 554, -6.0, 812, -25.0, 'DL', 'N668DN');
INSERT INTO "main"."flights" VALUES (2013, 1, 1, 554, -4.0, 740, 12.0, 'UA', 'N39463');
-- ----------------------------
-- Table structure for cor
-- ----------------------------
DROP TABLE IF EXISTS "main"."cor";
CREATE TABLE cor(
XXDM TEXT,
XBDM TEXT,
NJDM TEXT,
"身体形态" INT,
"50米跑等级" INT,
"肺活量等级" INT
);
-- ----------------------------
-- Records of cor
-- ----------------------------
INSERT INTO "main"."cor" VALUES ('0015', 2, 11, 3, 3, 4);
INSERT INTO "main"."cor" VALUES ('0015', 1, 11, 2, 2, 4);
INSERT INTO "main"."cor" VALUES ('0015', 1, 11, 2, 2, 4);
INSERT INTO "main"."cor" VALUES ('0015', 1, 11, 2, 2, 2);
INSERT INTO "main"."cor" VALUES ('0015', 1, 11, 2, 2, 3);
INSERT INTO "main"."cor" VALUES ('0007', 1, 13, 2, 3, 4);
关于表的一些说明：flights 这个表是 {nycflights13} package 里面的，描述的是 On-time data for all flights that departed NYC (i.e. JFK, LGA or EWR) in 2013. cor 这个表是我的sqlite数据库中的表。为了篇幅，只取了前6行。
2. dplyr连接数据库
>library(dplyr)
>mydb <- src_sqlite("E:/SQLite/database/yourdbname.db",create = F)
>mydb
src: sqlite [E:/SQLite/database/yourdbname.db]
tbls: cor, flights
>tbl(mydb,"flights")
Source: sqlite [E:/SQLite/database/yourdbname.db]
From: flights [336,776 x 16]
year month day dep_time dep_delay arr_time arr_delay carrier tailnum
(int) (int) (int) (int) (dbl) (int) (dbl) (chr) (chr)
1 2013 1 1 517 2 830 11 UA N14228
2 2013 1 1 533 4 850 20 UA N24211
3 2013 1 1 542 2 923 33 AA N619AA
4 2013 1 1 544 -1 1004 -18 B6 N804JB
5 2013 1 1 554 -6 812 -25 DL N668DN
6 2013 1 1 554 -4 740 12 UA N39463
>tbl(mydb,"cor")
Error in gsub(quote, paste0(quote, quote), x, fixed = TRUE) :
input string 1 is invalid in this locale
>tbl(mydb,sql("SELECT * from flights"))
>tbl(mydb,sql("SELECT * from cor"))
Error in gsub(quote, paste0(quote, quote), x, fixed = TRUE) :
input string 1 is invalid in this locale
发现如果表名称中包含中文，dplyr会出现[]报错]issue1。强烈建议数据库中的表中变量名字尽量不用中文，哪怕用拼音代替也行
3. RSQLite连接数据库
虽然dplyr包会报错，但是用RSQLite包是没有问题的，只不过多一步转化步骤。详细请看我提交的RSQLite issue
>library(DBI)
>library(RSQLite)
>con <- dbConnect(SQLite(), "E:/SQLite/database/你的数据名字.db")
>query <-"select * from cor;"
>cd <- tbl_df(dbGetQuery(con,query))
>cd
Source: local data frame [130,789 x 9]
XXDM XBDM NJDM 韬綋褰㈡€\x81 50绫宠窇绛夌骇 鑲烘椿閲忕瓑绾\xa7
(chr) (chr) (chr) (int) (int) (int)
1 0015 2 11 3 3 4
2 0015 1 11 2 2 4
3 0015 1 11 2 2 4
> names(cd)<- iconv(names(cd),"UTF-8","GBK")
>cd
Source: local data frame [130,789 x 9]
XXDM XBDM NJDM 身体形态 50米跑等级 肺活量等级
(chr) (chr) (chr) (int) (int) (int)
1 0015 2 11 3 3 4
2 0015 1 11 2 2 4
3 0015 1 11 2 2 4
RSQLite能够调入数据，但是标题乱码。其原因我个人认为是 sqlite的默认编码是 UTF-8, 而本地R环境是GBK编码，R没有自动将这两个代码转化，故乱码，所以需要加一句函数 iconv(names(cd),"UTF-8","GBK")。
请仔细看，我的这个小数据库有13W行，才200M多，很快就能处理完。前天我没有用数据库直接是用dplyr包轻松处理了256W行的数据。一开始还担心会不会爆内存，看来是我多虑了。
4. 解决中文乱码问题
中文乱码这个问题困扰我多时，从生成中文PDF -> 中文beamer ->中文分词 ->现在 一直伴随着我，最近摸索了一个套经验，还想了一下原因，仅供参考：
I think I figure out the reason why Chinese Characters garbled in my R environment. It‘s because the encoding of the data is
UTF-8while my local environment isGBK[(Simplified)_China.936)] , R don’t automatically convert theUTF-8encoding toGBK. So ,I useiconv(char,"UTF-8","GBK")to convert the encoding.装逼，请走开。
>library(stringi)
>stri_enc_get() # 用于检测本地是什么编码环境
>stri_enc_detect2(char) # 用于检测字符串是什么编码
>stri_conv(char,"UTF-8","GBK") # 直接转码
>iconv(char,"UTF-8","GBK") # 与{base} package 效果一样
To solve the problem from the source, I recommend the {readr} package
为了从源头解决这个问题，我推荐使用 readr 这个包。下面的例子仅供参考：
>library(readr)
>guess_encoding("filename.csv") # guess the encoding of the file
encoding confidence
1 GB18030 1
>read_csv("filename.csv",col_names = T,col_types = cols(
xxdm = "c"))
Source: local data frame [247 x 6]
xxdm nj economic chi mat eng
(chr) (int) (chr) (dbl) (dbl) (dbl)
1 0003 14 <U+00B8><df> 89.93566 85.29368 80.90276
2 0003 15 <U+00B8><df> 83.33544 83.82542 88.48453
3 0004 14 <U+00B8><df> 84.26736 84.38928 75.06619
4 0004 15 <U+00B8><df> 81.33385 84.25302 83.96041
5 0005 14 <d6><d0> 80.89536 81.41362 81.64121
6 0005 15 <d6><d0> 82.39663 82.67030 87.31950
you may find that the `economic` is in the form of UTF-8 encoding.
>read_csv("filename.csv",col_names = T,col_types = cols(
xxdm = "c"),
locale = locale(encoding = "GB18030") # important)
Source: local data frame [247 x 6]
xxdm nj economic chi mat eng
(chr) (int) (chr) (dbl) (dbl) (dbl)
1 0003 14 高 89.93566 85.29368 80.90276
2 0003 15 高 83.33544 83.82542 88.48453
3 0004 14 高 84.26736 84.38928 75.06619
4 0004 15 高 81.33385 84.25302 83.96041
5 0005 14 中 80.89536 81.41362 81.64121
6 0005 15 中 82.39663 82.67030 87.31950
附上我的R环境
Session info -----------------------------------------------------------------
setting value
version R version 3.2.2 (2015-08-14)
system x86_64, mingw32
ui RStudio (0.99.486)
language (EN)
collate Chinese (Simplified)_China.936
tz Asia/Taipei
date 2015-12-01
Packages -----------------------------------------------------------------
package * version date source
assertthat 0.1 2013-12-06 CRAN (R 3.2.1)
DBI * 0.3.1.9008 2015-11-05 Github (rstats-db/DBI@7a0ad76)
devtools 1.9.1 2015-09-11 CRAN (R 3.2.2)
digest 0.6.8 2014-12-31 CRAN (R 3.2.1)
dplyr * 0.4.3 2015-09-01 CRAN (R 3.2.2)
magrittr 1.5 2014-11-22 CRAN (R 3.2.1)
memoise 0.2.1 2014-04-22 CRAN (R 3.2.1)
nycflights13 * 0.1 2014-07-22 CRAN (R 3.2.2)
R6 2.1.1 2015-08-19 CRAN (R 3.2.2)
Rcpp 0.12.2 2015-11-15 CRAN (R 3.2.2)
RSQLite * 1.0.9000 2015-11-05 Github (rstats-db/RSQLite@1187d0c)
5. 最后
改手机界面确实好难，一点都不懂CSS+html的人，完全无从下手。上个周末改版失败，还没有这个好看，所以暂时就这样了。所以为了更好的观看体验，请使用网页端。