R语言- 实验报告 - 数据清洗

一、 实训内容

1. 能对基本的开发环境进行检验和错误排查，以及对新语言软件进行安装。
2. 能使用Navicat for MySQL对MySQL数据库进行基本的连接测试，同时，在mysql中新建student数据库。能利用外部SQL脚本文件对数据库进行数据集的导入和初始化。
3. 熟悉利用eclipse编程工具，新建项目和工具类对mysql数据库进行相应的操作，以及从该项目中导出可执行的jar文件。
4. 利用R-3.6.1-win.exe运行，导出的可执行的jar文件。并编写一个“数据清洗.r”脚本文件，对C:\ inputdir目录下，导出的studentdata.txt数据文件进行数据清洗操作，包括过滤字段等操作。同时，在C:\outputdir目录下生成已经进行数据清洗的数据文件studentdata.txt 。

 

 

 

二、 实验课题目标

1. 掌握基本的开发环境的搭建、检验和错误排查能力，熟悉新的开发语言。
2. 熟悉使用Navicat for MySQL软件对MySQL数据库进行基本的操作。重要的是，能利用外部SQL脚本文件对特定的数据库进行数据集的导入和初始化。
3. 掌握eclipse编程工具的使用，以及在编程过程中熟悉常用的快捷键，提高编程的效率。掌握如何编写一个常规的Java类程序，对mysql数据库进行进本的数据操作，以及能从Java项目中导出相应可执行的jar文件。
4. 掌握R语言的基本语法，以及R-3.6.1软件的使用方法。能编写R的脚本程序，对特定目录下的数据集进行基本的数据清洗操作，其中包括：数据过滤，数据框字段名称的替换和重新构造一个数据框等操作。

 

 

三、 实验平台

1. 系统：  Windows 10

       　　 Intel(R) Core(TM)i7-7500U CPU @ 2.70GHz 2.90 GHz

   　　　　 RAM 8.00GB

1. 工具：

　　　　R-3.6.1-win.exe  、Navicat for MySQL  、tbl_stuinfo-data.sql 、eclipse

 

 

四、 实施步骤

(一)   环境安装和检查

1. Java开发环境检查

1)         检查JDK环境

首先对实验机器的java -version 和java进行检查，返回的信息皆正常。但是，在进行javac编译指令的检查时，返回了如图4-1的内容，显示的信息表明javac的环境变量没有配置。

 

图4-1  javac编译指令不可用

 

 

2)         配置JDK的环境变量。

重新配置JDK的系统环境变量。右击桌面的计算机图标选择属性，在左边的控制面板中点击“高级系统设置”。在高级选项卡中再点击“环境变量”，选择系统变量中的Path，并删除path中原有的JDK变量。

在环境变量控制面板中，点击“新建”，变量名为：JAVA_HOME  ，变量值为C:\Program Files\Java\jdk1.8.0_91  ，按确定保存。

 

图4-2 环境变量控制面板

 

 

图4-3 配置JAVA_HOME环境变量

 

        再编辑Path ，并在首部追加：%JAVA_HOME%/bin;  内容。

 

 

 

 

图4-4  Path中添加内容后

 

重新查看JDK的版本，以及查看编译执行功能是否可用。

 

图4-5  javac编译功能可用

 

 

1. R语言的安装

1)         安装R-3.6.1-win

双击已经下载好的R-3.6.1-win.exe文件，进行安装R语言。依次点击确定或者下一步，保持默认的安装配置即可。如图4-6，是R-3.6.1安装结束的界面，点击关闭。

 

图4-6  R-3.6.1安装结束

 

2)         打开R程序。

图4-7，为R-3.6.1程序首次打开的界面。

 

 

图4-7 初次打开R

 

   

 

 

(二)   数据库数据提供

1. 建立数据库

1)         连接数据库

使用Navicat for MySQL连接MySQL数据库前，填完基本的连接信息后，点击测试连接到数据库，如图4-8所示，即为连接前的测试。

 

图4-8 连接测试

 

在点击两次确认之后，再上机“本地”即可连接到实验所需的MySQL数据库。

 

图4-9 连接到MySQL数据库

                        

2)         新建数据库

在“本地”上鼠标右键，选择“新建数据库”，在面板中填入如图4-10的内容，再按确定即可。

 

图4-10 新建数据库

 

 

1. 初始化数据库

双击建立好的数据库“student”，并在该数据库名称上右键，选择“运行SQL文件”。找到外部资源的tbl_stuinfo-data.sql文件，点击开始。

 

图4-11 运行sql脚本

 

点击关闭，回到Navicat for MySQL主面板。在按F5键刷新界面，会发现student数据库下多出名称为tbl_stuinfo的数据表，双击打开，检查student库的数据是否乱码。如果是乱码，重新建立数据库。

 

图4-12 数据库初始化成功

 

至此，便可关闭Navicat for MySQL软件，但必须保持该数据库在后台正常运行。

 

 

(三)   编写数据获取工具

1. 新建java项目。打开eclipse工具，在Package Explorer面板右键new->Java Project ,新建项目名为：sdms-v2 即可。
2. 导入jar依赖。在sdms-v2工程名称上右键，选择Build Path -> Add External Archive...  ,找到外部的mysql-connector-java-5.1.7-bin.jar文件，再确认并返回主界面。
3. 编写程序类

分别在该项目中新建：MainClass、StudentBean、StudentDao、TestConnection和TxtUtil类。

 

1)         MainClass类

其中MainClass为主类，功能是创建一个dao对象并调用写文件的方法，关键代码如下：

StudentDao dao = new StudentDao();

List<StudentBean> list = dao.findAll();

new TxtUtil().writeToFile(list);

 

2)         StudentBean类。StudentBean定义学生对象拥有的属性，同时，重写了构造方法。关键代码如下

public StudentBean(Integer stuid, String name, boolean sex, String mobile, Timestamp birthday, String place,

           String major, String note) {

       super();

       this.stuid = stuid;

       this.name = name;

       this.sex = sex;

       this.mobile = mobile;

       this.birthday = birthday;

       this.place = place;

       this.major = major;

       this.note = note;

    }

 

3)         StudentDao类。该类定义了一个连接对象、执行sq1命令的对象和结果集对象。在预处理sql语句的同时，执行了sql语句，并把结果交给res进行返回。核心代码如下：

pst = conn.prepareStatement(sql);     

           res = pst.executeQuery();             

           while(res.next()){                    

              Integer stuid = res.getInt("stuid");

              String name   = res.getString("name");

              boolean sex   = res.getBoolean("sex");

              String mobile = res.getString("mobile");

              Timestamp birthday = res.getTimestamp("birthday");

               String place  = res.getString("place");

              String major  = res.getString("major");

              String note   = res.getString("note");

              StudentBean studentBean = new StudentBean(stuid,name,sex,mobile,birthday,place,major,note);

              list.add(studentBean);     

            }

 

4)         TestConnection类为MySQL数据库连接类。其先加载了驱动程序类，再获取一个连接对象，并返回，最后测试是否连接成功。关键代码如下：

static{

       try{

           Class.forName("com.mysql.jdbc.Driver");                                         

       }catch(Exception ex){

           ex.printStackTrace();

       }

    }

    public static Connection getConnection() throws Exception{

       Connection conn=DriverManager.getConnection("jdbc:mysql://172.25.6.200:3306/student?useUnicode=true&characterEncoding=UTF8","root","");

       return conn;                                                                           

    }

    public static void main(String[] args) throws Exception{

       Connection c=getConnection();

       System.out.println("c="+c);

       c.close();                                                                             

    }

 

5)         TxtUtil类为工具类，作用是把mysql的数据写入到文本文件中，核心的代码如下：

FileWriter fw=null;

       BufferedWriter bw=null;

       try {

           fw=new FileWriter(  new File(OUTFILE)   );

           bw=new BufferedWriter(fw);

           bw.write(HEADER);

           bw.newLine();

           for(StudentBean stu:list){

              bw.write(stu.getStuid()+FLAG);

              bw.write(stu.getName()+FLAG);

              bw.write(stu.isSex()?"男" +FLAG:"女"+FLAG);

              bw.write(stu.getMobile()+FLAG);

               bw.write(stu.getBirthday().toString().substring(0, 10)+FLAG);

              bw.write(stu.getPlace()+FLAG);

              bw.write(stu.getMajor()+FLAG);

              bw.write(stu.getNote());

              bw.newLine();

           }

           bw.flush();

       } catch (Exception e) {

           e.printStackTrace();

       }finally{

           try {

              if(fw != null){fw.close();}

           } catch (Exception e) {

              e.printStackTrace();

           }}}

 

上述的项目代码在eclipse中调试无误之后，便可将生成文件的位置设置为C:\ inputdir目录下，生成的数据文件为studentdata.txt  。

 

1. 导出jar文件。当上述的代码调试成功之后，以及生成文件的位置和名称设置好之后。在该项目sdms-v2的名称上右键，依次选择Export..->Java结构下的Runnable JAR file 。

 

图4-13 选择Runnable JAR file

 

之后，点击Next>  ，将Export destination:位置指定到C:\目录下，保存的文件名为：stu.jar  ，再单击Finish即可。至此编写数据获取工具步骤，结束。

 

 

 

(四)   R语言数据清洗处理

1. 执行stu.jar工具。

在R x64 3.6.1中使用setwd(“C:\”)命令，将R的工作空间指定到C:\目录下。再使用命令shell.exec("jar stu.jar") ,将mysql数据库student中的数据，在C:\ inputdir目录下，生成的studentdata.txt数据文件。如图4-14，为该文件的样式。

 

图4-14  studentdata.txt

 

 

1. 编写R脚本文件。

1)         新建程序脚本

打开R x64 3.6.1软件，点击菜单栏的文件->新建程序脚本 。在打开的脚本编辑器中输入相应的脚本内容。之后保存到C:\目录下，为数据清洗.r文件。

 

2)         脚本内容如下：

inputdir<-"./inputdir"

outputdir<-"./outputdir"

for(filename in dir(inputdir)){

        print(filename)

        inputpath<-sprintf("%s/%s",inputdir,filename)      data<-read.table(inputpath,header=TRUE,sep=",") 

print("读取的文件数据如下:")

        cat("-------------------end---------------------\n")

        cnames<-colnames(data)

        cnames[cnames=="stuid"]<-"编号"

        cnames[cnames=="name"]<-"姓名"

        cnames[cnames=="sex"]<-"性别"

        cnames[cnames=="mobile"]<-"手机号"

        cnames[cnames=="birthday"]<-"出生年月日"

        cnames[cnames=="place"]<-"籍贯"

        cnames[cnames=="major"]<-"专业"

        cnames[cnames=="note"]<-"备注"

        colnames(data)<-cnames

        data<-data[c("姓名","性别","出生年月日","籍贯")]

        #print(data,right = FALSE)

        data<-data[data$籍贯=="广西桂林",]

        print(data,right = FALSE)

        outputpath<-sprintf("%s/%s",outputdir,filename)        write.table(data,outputpath,row.names=FALSE,sep=",")

}

 

 

1. 脚本文件功能介绍。如图4-15，详细注释：

 

图4-15 详细注释-数据处理

 

1. 执行脚本并生成数据处理的文件。由于R x64 3.6.1已经将C:\作为当前的工作目录，所以直接在R中运行命令：source("数据清洗.r") 。就可以在C:\outputdir目录下生成已经进行数据清洗的studentdata.txt数据集文件。如图4-16所示：

 

如图4-16  数据清洗后的studentdata.txt文件

 

 

 

 

五、 实验成果

当运行在R语言中，运行命令shell.exec("jar stu.jar") ,会将mysql数据库student中的数据，在C:\ inputdir目录下，生成的studentdata.txt数据文件。如图5-1所示：

 

图5-1 数据清洗前的数据集

 

当在R中，运行命令：source("数据清洗.r") 。即,运行编写的数据清洗.r脚本文件，会在C:\outputdir目录下自动生成已经进行数据清洗的studentdata.txt文件。

 

图5-2 数据清洗后的数据集

 

        两相对比之下，可以得出总结：本实验先是利用编写的stu.jar可执行文件，从mysql数据库student中导出数据集studentdata.txt 。再通过在R语言中编写脚本并运行脚本的方式，将数据集studentdata.txt进行数据清洗操作，并生成了新的studentdata.tx数据文件，本实验顺利完成。

 

 

 

 

六、 实训总结

关于本次实验的经验收获和实验总结，可分总结如下：

1. 在对实验机器的java -version 和java进行检查时，返回的信息皆正常。但是，唯独javac编译指令对于实验机器而言，无法识别。说明javac编译环境异常，本实验统一对JDK进行环境配置。
2. 在使用Navicat for MySQL连接MySQL数据库，并新建数据库，以及使用SQL脚本文件进行数据库的数据导入和库的初始化操作过程中，应该格外地注意编码的问题，否则在进行jar文件工程编程时，会发生乱码的现象。
3. 同时，如果导出的studentdata.txt文件中，部分的数据格式属性的编码与R脚本中设置的不一致，也会发生乱码的现象。并且将会加大错误排查的难度和精力。
4. 在R x64 3.6.1软件中，切换R语言的工作目录时，需要将C：盘作为工作空间，对于部分权限级别较高的机器而言，将会是无法切换的。这时候，需要以管理员的方式运行R x64 3.6.1软件。
5. 整体而言，本实验的思路是：先利用编写的stu.jar可执行文件，从mysql数据库student中导出数据集studentdata.txt 。再通过在R语言中编写脚本并运行脚本的方式，将数据集studentdata.txt进行数据清洗操作，并生成了新的studentdata.tx数据文件。
6. 通过本实验，基本上能对开发环境进行初步的检验和错误排查，同时，能使用Navicat for MySQL对MySQL数据库进行基本的连接测试。以及，在mysql中新建数据库并利用外部SQL脚本文件对数据库进行数据集的导入和初始化。
7. 在利用eclipse编程工具进行开发的过程中，积累了一定的快捷方式，这将极大地提高我今后的开发效率。