如何用R快速分析資料

天下雜誌記者林佳賢

什麼是資料新聞？

哪一科住院醫師工作最「操」？

哪些國家愛用中國和美國貨？

台北捷運所得地圖

知道資料新聞是什麼之後，接下來要了解工具

R語言

  • 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。

這是我們平常看到的網站

這是我們需要的資料

可是我們沒辦法跟電腦說：

「我們想要這一塊資料」

我們需要使用電腦看得懂的語言

網路爬蟲的基本流程

下載網頁原始碼

觀察想要的資料是什麼格式

用程式指令讀取原始碼

用CSS Selector或Xpath找到想要的資料

把抓到的資料彙整成一份檔案

R網路爬蟲會用到的package

  • httr：下載原始碼
  • jsonlite：處理json格式的資料
  • rvest：讀取原始碼並找尋資料

httr

  • 類似Python的requests

  • 取得網頁原始碼的工具

  • 常用的功能：GET、POST、content

# install httr package
install.packages("httr")

# 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=0&listview=txt&firstRow=40&totalRows=54040")

# 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

應該是json！

什麼是json

  • 一種資料儲存格式

  • xls、csv、txt都是資料儲存格式

  • 需要特別的處理方式

jsonlite

  • R用來處理json格式的好幫手

  • jsonlite的fromJSON功能，可以快速整理json格式的網頁內容，轉成R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

放大看一下df

看一下"main"的部分

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

...

# 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"]]

rent_data長這樣

鎖定我們要的資料區塊之後，

接下來讀取原始碼跟找尋資料

rvest

  • 類似Python的Beautiful soup 4

  • 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

css selector和path

  • 在雜亂的網頁原始碼裡找尋需要的資訊的方法

  • 就像是地址

  • 自己本身就是門學問

selector gadget

selector gadget

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

...

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

# 用剛剛取得的css selector找尋節點
name <- html_nodes(rent_html, ".address a")

# 取出節點中需要的部分「title」
name <- html_attr(name, "title")

name長什麼樣子

# load package
library(httr)
library(jsonlite)
library(rvest)
...
# 用一樣的步驟抓取縣市、行政區、租屋面積和租金
county <- html_nodes(rent_html, ".txt-sh-region")
county <- html_text(county)

town <- html_nodes(rent_html, ".txt-sh-section")
town <- html_text(town)

area <- html_nodes(rent_html, ".area")
area <- html_text(area)

price <- html_nodes(rent_html, ".price .fc-org")
price <- html_text(price)
# load package
library(httr)
library(jsonlite)
library(rvest)

...

# 最後把所有的資料存到一個檔案裡
rent_df <- data.frame(
  county = county,
  town = town,
  name = name,
  area = area,
  price = price
)

rent_df長什麼樣子

可是這樣只抓了一頁的資料...

我們觀察一下一開始使用的網址

https://rent.591.com.tw/index.php?module=search&action=rslist&is_new_list=1&type=1&searchtype=1&region=0&listview=txt&firstRow=0&totalRows=54040 

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

...

# 只要改動firstRow的數字，就能爬取其他頁面的資料。
# 也就是只要一個迴圈，就可以把所有租屋資訊抓下來。
doc2 <- GET("https://rent.591.com.tw/index.php?module=search&action=rslist&is_new_list=1&type=1&searchtype=1®ion=0&listview=txt&firstRow=40&totalRows=54040")

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：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
rent_df$price <-  str_replace_all(rent_df$price, ",|元", "")

# 再把price欄從「文字」轉成「數字」
rent_df$price <- as.numeric(rent_df$price)

清理過的price欄乾淨多了

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

...

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

新成立的type欄位

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

# 新的area欄的資訊還ㄕ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
rent_df$area <- sapply(str_split(rent_df$area, "/"), "[[", 1)

# 接著把「坪」清掉
rent_df$area <- str_replace_all(rent_df$area, "坪", "")

# 再轉成數字格式
rent_df$area <- as.numeric(rent_df$area)

新的area欄乾淨多了

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

...

# 新成立unit_price一欄
# 這一欄的資料是price欄除以area欄

rent_df$unit_price <- rent_df$price / rent_df$area

# 再四捨五入到整數位的結果
rent_df$unit_price <- round(rent_df$unit_price)

新的每坪租金欄位

最終成果

完成資料清理後，

就可以進入資料分析了

這裡用之前抓的591租屋網全台灣租屋資料為例

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")

rent591_tp

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_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 <- arrange(rent591_tao, county)

排序後的rent591_tp

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租金
# 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_price <- summarise(rent591_tp_group, mean_price = mean(price))
# 最後把計算結果排序
rent591_tp_price <- arrange(rent591_tp_area,
                            desc(mean_price))

rent591_tp_price的結果

有了分析結果之後，

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不支援中文，因此要設定字體，這裡設定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("信義區","中山區","松山區",
                                  "大安區","中正區","萬華區",
                                  "大同區","士林區","內湖區",
                                  "南港區","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

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

用Adobe Illutstrator美化後

我們做了哪些事

  • 從591租屋網爬取全台灣的租屋資料

  • 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

  • 用Adobe Illustrator美化圖表

想了解更多資料分析？

Q & A

Made with Slides.com