はじめに

コマンドラインではじめるデータサイエンスを読み始めて気になったツール。
Rの関数などを気軽にRを起動せずとも、気軽にコマンドラインからRを操作できるツール
中身は、jeroenjanssensのGithubページを読めば分かるが、1つのシェルスクリプト。
- csvファイルを指定して、それをdata.frameのdfオブジェクトにロードして、Rの文法で操作できるということをしてる。シンプルだけど、便利そう。

インストール

git clone してから、PATHの通っている場所にRioを置くだけ
Rがインストールされてないと実行時にエラーが吐かれます

$ git clone https://github.com/jeroenjanssens/data-science-at-the-command-line.git
$ sudo mv data-science-at-the-command-line/tools/Rio /usr/local/bin/

確認してみる。ggplot / dplyr / tidyrをインストールしてるのが前提みたいです。

$ Rio -h
Rio: Load CSV from stdin into R as a data.frame, execute given commands, and get the output as CSV on stdout

usage: Rio OPTIONS

OPTIONS:
   -d      Delimiter
   -e      Commands to execute
   -f      Single command to execute on data.frame
   -h      Show this message
   -g      Import ggplot2
   -n      CSV has no header
   -r      Import dplyr and tidyr
   -s      Import sqldf
   -b      Use same settings as used for book Data Science at the Command Line
   -v      Verbose

実行

iris.csvに対して、ある列の平均を見る

$ head iris.csv -n 3
,Sepal.Length,Sepal.Width,Petal.Length,Petal.Width,Species
1,5.1,3.5,1.4,0.2,setosa
2,4.9,3,1.4,0.2,setosa

-e オプションでRの文法で実行

$ Rio -e 'mean(df$Sepal.Length)' < iris.csv
5.843333

$ Rio -e 'summary(df$Sepal.Length)' < iris.csv
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.
  4.300   5.100   5.800   5.843   6.400   7.900

-f オプションでRのある関数を実行

相関行列を計算

$ cut -d, -f 2,3 iris.csv | Rio -f cor
"Sepal.Length","Sepal.Width"
1,-0.117569784133002
-0.117569784133002,1

-g オプションでggplotを実行

例えば、Sepal.Lengthの密度分布を描くのは下記。"g"ってのがggplot()を呼び出す。ggplotの結果は、pngファイルに書き出せば表示できるみたい。

$ Rio -ge 'g+geom_histogram(aes(x=Sepal.Length))' < iris.csv > result.png

おわりに

コマンドラインからRをちょっと試して確認したいってのはニーズがあるので、そういうときに便利そう。Rファイルをいちいち作らなくていい。
dplyrも呼び出せるので、パイプ演算子で、データ前処理して、可視化まではすぐにできそう。可視化結果はどっかのWebサーバが起動しているところにpngファイルを置くとか。
Rio自体をもっと汎用的にしていくのに期待。

参考

コマンドラインではじめるデータサイエンス