【word】docxtractrパッケージで.docx内の表からデータを抽出する【これはすごい】 #R

キャプテンアメリカが一晩でやってくれました。

こんな話があったそうです。

Is it possible to import data entered in MS Word into R - I have multiple tables in 235 files that need importing #rstats
— Richard Telford (@richardjtelford) August 23, 2015

これに対し、Rudisは「Yes」と答え、たった数時間のうちに素晴らしいパッケージを開発しました。

パッケージ開発の経緯や詳細についてはRudisの記事を見てください。

ちょっとした説明をすると、Microsoftのofficeファイル（.docxや.xlsx）はXMLで記述されているので、うまいこと処理すればデータを抽出できます。{docxtractr}はこの処理を関数としてまとめ、パッケージとして提供するものです。GitHubにリポジトリがあるのでインストールして試してみました。

こんなテーブル（7 * 5）を２つもつファイル（npb.docx）を用意しました。

どう見てもわーどふぁいるです。本当にありがとうございました。という感じでここからデータ抽出する、という話は手打ちでやる必要があったり、見ただけで嫌になるわーどふぁいる内での表データです。

ですが、{docxtractr}を使えばそんな気だるさとおさらば！R上でさくっと表データを扱うことができます。

まずはGitHubからパッケージをインストールしてきます。

# devtools::install_github("hrbrmstr/docxtractr")
library(docxtractr)

docxファイルを読み込む

read_docx関数を使って表データが含まれる.docxファイルを読み込みます。

doc.table <- read_docx(path = "npb.docx")
doc.table # docx_describe_tbls(doc.table)

## Word document [npb.docx]
## 
## Table 1
##   total cells: 35
##   row count  : 7
##   uniform    : likely!
##   has header : likely! => possibly [順位, 球団名, 勝ち, 負け, 分け]
## 
## Table 2
##   total cells: 35
##   row count  : 7
##   uniform    : likely!
##   has header : likely! => possibly [順位, 球団名, 勝ち, 負け, 分け]

class(doc.table)

## [1] "docx"

docxというクラスのオブジェクトです。出力を見ると、どのような表なのかがわかります。

# 読み込んだdocxファイル中に含まれる表の数
docx_tbl_count(doc.table)

## [1] 2

個々の表データを取り出す

docx_extract_tblを使って、一つ一つの表データを取り出すことができます。また、Rのデータフレーム操作と同様の添字処理なども可能です。

docx_extract_tbl(docx = doc.table, tbl_number = 1, header = TRUE)

## Source: local data frame [6 x 5]
## 
##   順位   球団名 勝ち 負け 分け
## 1    1     阪神   60   52    1
## 2    2     巨人   59   56    1
## 3    3 ヤクルト   56   57    1
## 4    4     広島   52   57    1
## 5    5     DeNA   52   62    1
## 6    6     中日   50   62    2

docx_extract_tbl(docx = doc.table, tbl_number = 2, header = TRUE)[2]

## Source: local data frame [6 x 1]
## 
##         球団名
## 1 ソフトバンク
## 2       日ハム
## 3         西武
## 4       ロッテ
## 5         楽天
## 6   オリックス

docx_extract_tbl(docx = doc.table, tbl_number = 2, header = TRUE) %>% 
  dplyr::filter(`勝ち` > 50) %>% 
  knitr::kable()

順位	球団名	勝ち	負け	分け
1	ソフトバンク	71	34	3
2	日ハム	65	46	1
3	西武	54	56	5
4	ロッテ	52	55	1

こうしてdocxから取り出したオブジェクトはtbl_dfおよびdata.frameクラスとなり、R上で扱いやすい形式になります。日本語でも問題ないようですし、このパッケージで救われる人がたくさん出そうですね。素晴らしい。