我如何用R實現資料視覺化

端傳媒數據記者林佳賢

什麼是資料新聞?

R是什麼?

  • 開源的統計程式語言
  • 資料科學家的主要工具之一
  • 有大量開發者貢獻的package
  • 有RStudio等友善開發工具

R CRAN

RStudio

R如何幫助我完成資料新聞

  • 搜集資料
  • 清理資料
  • 彙整資料
  • 繪製圖表

實際操作展示R的功能

我想知道「台北市各行政區的套房租金價位」

先從搜集資料開始

用R從網路搜集資料

從網路搜集資料的行為,通稱「網路爬蟲」。寫網路爬蟲通常用到的是Python,但R語言也有相應的package,可以完成不輸給Python的爬蟲任務。

R網路爬蟲會用到的package

  • httr
  • rvest
  • jsonlite

httr

  • 類似Python的requests
  • 在從網頁中取得資料之前,需要先取得網頁原始碼
  • httr提供各種工具,讓我們能取得各種網頁內容
  • 常用的功能:GET、POST、content。
# load httr package
library(httr)

# 用GET功能把591租屋網搜尋台北市租屋的結果拿下來
doc <- GET("https://rent.591.com.tw/index.php?module=search&action=rslist&is_new_list=1&type=1&searchtype=1®ion=1&orderType=desc&listview=txt&firstRow=120&totalRows=12674")

# 用content功能觀察剛剛拿下來的網頁內容
content(doc, "text")

content(doc, "text")的內容

jsonlite

  • 如果拿下來的網頁內容是json格式,需要使用jsonlite處理。
  • jsonlite的fromJSON功能可以快速整理json格式的網頁內容,最後轉成容易處理的格式。
# load httr package
library(httr)
library(jsonlite)

# 用GET功能把591租屋網搜尋台北市租屋的結果拿下來
doc <- GET("https://rent.591.com.tw/index.php?module=search&action=rslist&is_new_list=1&type=1&searchtype=1®ion=1&orderType=desc&listview=txt&firstRow=120&totalRows=12674")

# 用content功能觀察剛剛拿下來的網頁內容
content(doc, "text")

# 把剛剛拿下來的網頁內容,從json格式轉成R容易處理的格式
df <- fromJSON(content(doc, "text"))

df長什麼樣子

# load httr package
library(httr)
library(jsonlite)

# 用GET功能把591租屋網搜尋台北市租屋的結果拿下來
doc <- GET("https://rent.591.com.tw/index.php?module=search&action=rslist&is_new_list=1&type=1&searchtype=1®ion=1&orderType=desc&listview=txt&firstRow=120&totalRows=12674")

# 用content功能觀察剛剛拿下來的網頁內容
content(doc, "text")

# 把剛剛拿下來的網頁內容,從json格式轉成R容易處理的格式
df <- fromJSON(content(doc, "text"))

# 我們還要從df這個list中,找到需要的那一部分
rent_data <- df[["main"]]

# 觀察一下rent_data
rent_data

rent_data長什麼樣子

rvest

  • 類似Python的Beautiful soup 4
  • 提供方便的工具,從雜亂的網頁原始碼中找到需要的資訊
  • 需要搭配CSS selector或Xpath使用
  • rvest作者推薦使用selector gadget
  • 常用的功能:read_html、html_nodes、html_table。
# load package
library(httr)
library(jsonlite)
library(rvest)

# 用GET功能把591租屋網搜尋台北市租屋的結果拿下來
doc <- GET("https://rent.591.com.tw/index.php?module=search&action=rslist&is_new_list=1&type=1&searchtype=1®ion=1&orderType=desc&listview=txt&firstRow=120&totalRows=12674")

# 用content功能觀察剛剛拿下來的網頁內容
content(doc, "text")

# 把剛剛拿下來的網頁內容,從json格式轉成R容易處理的格式
df <- fromJSON(content(doc, "text"))

# 我們還要從df這個list中,找到需要的那一部分
rent_data <- df[["main"]]

# 觀察一下rent_data
rent_data

# 用rvest的read_html功能,整理rent_data
rent_html <- read_html(rent_data)
# load package
library(httr)
library(jsonlite)
library(rvest)

# 用GET功能把591租屋網搜尋台北市租屋的結果拿下來
doc <- GET("https://rent.591.com.tw/index.php?module=search&action=rslist&is_new_list=1&type=1&searchtype=1®ion=1&orderType=desc&listview=txt&firstRow=120&totalRows=12674")

# 用content功能觀察剛剛拿下來的網頁內容
content(doc, "text")

# 把剛剛拿下來的網頁內容,從json格式轉成R容易處理的格式
df <- fromJSON(content(doc, "text"))

# 我們還要從df這個list中,找到需要的那一部分
rent_data <- df[["main"]]

# 觀察一下rent_data
rent_data

# 用rvest的read_html功能,整理rent_data
rent_html <- read_html(rent_data)

# 用html_nodes、html_text和html_attr功能,把需要的資料拿出來
rent_df <- data.frame(
  county = html_text(html_nodes(rent_html, ".shTxInfo .txt-sh-region")),
  town = html_text(html_nodes(rent_html, ".shTxInfo .txt-sh-section")),
  name = html_attr(html_nodes(rent_html, ".shTxInfo .address a"), "title"),
  area = html_text(html_nodes(rent_html, ".shTxInfo .area")),
  price = html_text(html_nodes(rent_html, ".shTxInfo .price .fc-org"))
)

可以使用Chrome的插件「selector gadget」取得 selector

rent_df長什麼樣子

# load package
library(httr)
library(jsonlite)
library(rvest)

# 用GET功能把591租屋網搜尋台北市租屋的結果拿下來
doc <- GET("https://rent.591.com.tw/index.php?module=search&action=rslist&is_new_list=1&type=1&searchtype=1®ion=1&orderType=desc&listview=txt&firstRow=120&totalRows=12674")

# 用content功能觀察剛剛拿下來的網頁內容
content(doc, "text")

# 把剛剛拿下來的網頁內容,從json格式轉成R容易處理的格式
df <- fromJSON(content(doc, "text"))

# 我們還要從df這個list中,找到需要的那一部分
rent_data <- df[["main"]]

# 觀察一下rent_data
rent_data

# 用rvest的read_html功能,整理rent_data
rent_html <- read_html(rent_data)

# 用html_nodes、html_text和html_attr功能,把需要的資料拿出來
rent_df <- data.frame(
  county = html_text(html_nodes(rent_html, ".shTxInfo .txt-sh-region")),
  town = html_text(html_nodes(rent_html, ".shTxInfo .txt-sh-section")),
  name = html_attr(html_nodes(rent_html, ".shTxInfo .address a"), "title"),
  area = html_text(html_nodes(rent_html, ".shTxInfo .area")),
  price = html_text(html_nodes(rent_html, ".shTxInfo .price .fc-org"))
)

# 只要改動firstRow的數字,就能爬取其他頁面的資料。簡單的說,只要寫一個迴圈,就可以把所有台北市租屋資訊抓下來。
doc2 <- GET("https://rent.591.com.tw/index.php?module=search&action=rslist&is_new_list=1&type=1&searchtype=1®ion=1&orderType=desc&listview=txt&firstRow=160&totalRows=12674")

接下來是清理資料

爬取下來的資料幾乎不可能是乾淨的資料

  • 時間格式通常不是電腦看得懂的格式,尤其在台灣更嚴重(105年 vs 2016)
  • 想要的資料可能和其他資料混在一起(兩欄混成一欄)
  • 金額欄裡有中文、逗點等電腦無法辨識為數字的雜訊

R用來清理資料的package:stringr

  • 補充R原本用來處理文字的功能不足之處
  • 能做到文字搜尋、取代、連接、切割等功能。
  • 常用的功能:str_c、str_split、str_replace。

rent_df原本的樣子

在分析資料前,需要處理的工作

  • 把價格欄位清到只剩下數字,再轉成數字格式
  • 把area欄位中不屬於面積的資訊,獨立成type欄位
  • 新成立一個欄位叫做unit_price(每坪租金)
# load package
library(httr)
library(jsonlite)
library(rvest)
library(stringr)

...

# 清理價格資訊,把逗點跟「元」清掉,再轉成數字格式
rent_df$price <-  as.numeric(str_replace_all(rent_df$price, ",|元", ""))
# load package
library(httr)
library(jsonlite)
library(rvest)
library(stringr)

...

# 清理價格資訊,把逗點跟「元」清掉,再轉成數字格式
rent_df$price <-  as.numeric(str_replace_all(rent_df$price, ",|元", ""))

# 新成立type一欄,這一欄的資訊來自area欄。我們用「/」切割type欄,取出後面的部分作為type欄的資訊。
rent_df$type <- sapply(str_split(rent_df$area, "/"), "[[", 2)
# load package
library(httr)
library(jsonlite)
library(rvest)
library(stringr)

...

# 清理價格資訊,把逗點跟「元」清掉,再轉成數字格式
rent_df$price <-  as.numeric(str_replace_all(rent_df$price, ",|元", ""))

# 新成立type一欄,這一欄的資訊來自area欄。我們用「/」切割type欄,取出後面的部分作為type欄的資訊。
rent_df$type <- sapply(str_split(rent_df$area, "/"), "[[", 2)

# 清理area欄,這一欄的資訊來自原本的area欄。我們用「/」切割type欄,取出前面的部分作為type欄的資訊。接著把「坪」清掉,再轉成數字格式。
rent_df$area <- as.numeric(str_replace_all(sapply(str_split(rent_df$area, "/"), "[[", 1), "坪", ""))
# load package
library(httr)
library(jsonlite)
library(rvest)
library(stringr)

...

# 清理價格資訊,把逗點跟「元」清掉,再轉成數字格式
rent_df$price <-  as.numeric(str_replace_all(rent_df$price, ",|元", ""))

# 新成立type一欄,這一欄的資訊來自area欄。我們用「/」切割type欄,取出後面的部分作為type欄的資訊。
rent_df$type <- sapply(str_split(rent_df$area, "/"), "[[", 2)

# 清理area欄,這一欄的資訊來自原本的area欄。我們用「/」切割type欄,取出前面的部分作為type欄的資訊。接著把「坪」清掉,再轉成數字格式。
rent_df$area <- as.numeric(str_replace_all(sapply(str_split(rent_df$area, "/"), "[[", 1), "坪", ""))

# 新成立unit_price一欄,這一欄的資料是price欄除以area欄,四捨五入到整數位的結果。
rent_df$unit_price <- round((rent_df$price / rent_df$area))

最終成果

完成資料清理的部分後,就可以進入分析部分了。

這裡用我之前抓的591租屋網全台灣租屋資料為例子

rent591

分析資料會用到的package:dplyr

  • 相當於Excel和Google spreadsheet的樞紐分析功能
  • 透過資料分組把資料進行各種彙整。
  • 常用的功能:filter、group_by、summarise、arrange。

dplyr::filter

用價格、地區等資訊篩選資料

# load package
library(httr)
library(jsonlite)
library(rvest)
library(stringr)
library(dplyr)

...

# 把rent591裡面台北市的資料拿出來
rent591_tp <- filter(rent591, county == "台北市")

# 把rent591裡面租金大於1萬元的資料拿出來
rent591_expensive <- filter(rent591, price > 10000)

# 把rent591裡面的套房資料拿出來
rent591_tao <- filter(rent591, type == "套房")

# 把rent591裡面的套房及雅房資料拿出來
rent591_tao_ya <- filter(rent591, type == "套房" | type == "雅房")

dplyr::arrange

用價格、地區等資訊排序資料

# load package
library(httr)
library(jsonlite)
library(rvest)
library(stringr)
library(dplyr)

...

# 把rent591_tp的資料以租金由高到低排列
rent591_tp <- arrange(rent591_tp, desc(price))

# 把rent591_expensive的資料以每坪租金由高到低排列
rent591_expensive <- arrange(rent591_expensive, desc(unit_price))

# 把rent591_tao的資料以每坪租金由低到高排列
rent591_tao <- arrange(rent591_tao, unit_price)

# 把rent591_tao_ya根據縣市名稱做排序
rent591_tao_ya <- arrange(rent591_tao_ya, county)

dplyr::group_by

用價格、地區等資訊分類資料

dplyr::summarise

用分類結果彙整資料

# load package
library(httr)
library(jsonlite)
library(rvest)
library(stringr)
library(dplyr)

...

# 計算台北市各行政區的平均租金

# 先把rent591_tp根據行政區分類
rent591_tp_group <- group_by(rent591_tp, town)

# 再根據分類結果計算各行政區的平均租金
rent591_tp_price <- summarise(rent591_tp_group, mean_price = mean(price))

# 最後把計算結果排序
rent591_tp_price <- arrange(rent591_tp_price, desc(mean_price))

rent591_tp_price的結果

# load package
library(httr)
library(jsonlite)
library(rvest)
library(stringr)
library(dplyr)

...

# 計算台北市各行政區的套房平均面積

# 先篩選出rent591_tp的套房資料
rent591_tp <- filter(rent591_tp, type == "套房")

# 先把rent591_tp根據行政區分類
rent591_tp_group <- group_by(rent591_tp, town)

# 再根據分類結果計算各行政區的平均租金
rent591_tp_area <- summarise(rent591_tp_group, mean_area = mean(area))

# 最後把計算結果排序
rent591_tp_area <- arrange(rent591_tp_area, desc(mean_area))

rent591_tp_area的結果

有了這些分析結果之後,就可以來畫圖了

R的資料視覺化package:ggplot2

  • 支援各種圖表類型
  • 設計邏輯基於「grammar of graphics」
  • 支援svg、pdf等向量輸出格式

基本的繪圖:長條圖

geom_bar

# load package
library(httr)
library(jsonlite)
library(rvest)
library(stringr)
library(dplyr)
library(ggplot2)

...

# 把台北市各行政區的平均租金繪製成長條圖

# 設定畫布跟基本資訊:使用的資料(rent591_tp_price)、x軸(town)、y軸(mean_price)
ggplot(rent591_tp_price, aes(town, mean_price)) + 
# 選擇要畫的圖表類型,這裡選擇geom_bar(長條圖)。stat = "identity"指的是用原本的數字作為長條高度
  geom_bar(stat = "identity") +
# 由於R預設字型不支援中文顯示,因此要在最後加上字體設定,這裡設定為STHeiti(黑體)
  theme(text = element_text(family = "STHeiti"))

產生的圖表

由於長條圖沒有自己排序,我們需要自己把行政區排序

# load package
library(httr)
library(jsonlite)
library(rvest)
library(stringr)
library(dplyr)
library(ggplot2)

...

# 把台北市各行政區轉成可排序的factor格式,再根據自己定義的順序排序factor。

rent591_tp_price$town <- factor(rent591_tp_price$town,
                                c("大安區","松山區","中正區",
                                  "內湖區","信義區","中山區",
                                  "士林區","萬華區","南港區",
                                  "大同區","北投區","文山區"))

# 再畫一次圖
ggplot(rent591_tp_price, aes(town, mean_price)) + 
  geom_bar(stat = "identity") +
  theme(text = element_text(family = "STHeiti"))

排序後的結果

除了長條圖以外,ggplot2還支援許多圖表類型

  • 折線圖
  • 熱度圖
  • 地圖
  • 直方圖
  • 點圖

輸出成向量格式後,再用繪圖軟體進行後製,就是精美的資料作品了

R幫助我們做了些什麼事

  • 從591租屋網爬取全台北乃至全台灣的租屋資料
  • 將爬取下來的資料清理到方便分析的狀態
  • 用篩選、排序、分組、彙整等功能分析資料
  • 將分析結果畫成圖表

R優於Excel、Google Spreadsheet的地方

  • 能將資料處理過程存成script,供以後重複使用或供他人檢視
  • R的資料處理沒有1048576筆資料的上限
  • R操作起來要快上許多

想了解更多資料分析?

Q & A

Made with Slides.com