R システムのパッケージに付属のデータセットから SQLite 3 データベースを生成（R システム，SQLite3 を使用）

【概要】

このページでは，R システムの各パッケージに付属するデータセットを取り出し，そのデータから SQLite 3 データベース rdataset を生成する手順を示す．各データセットごとに，テーブル定義（CREATE TABLE）と，R でデータを CSV に書き出して SQLite 3 に読み込む手順を説明する．一部のデータセットについては，生成したデータベースを読み出してグラフを描く R プログラム例も示す．

次のデータから SQLite 3 データベースを生成する．

一般: iris, diamonds, Indometh
時系列 (time series): wind, meteoandes, economics, nhtemp
配列: Lai2005fig4
緯度・経度: wind.loc, seals

◆ 作成する SQLite 3 データベース: rdataset

【目次】

前準備
一般のデータ
時系列 (time series)
配列
緯度・経度

【関連する外部ページ】

【サイト内の関連情報】

第１章　前準備

使用するソフトウェア

R システムのインストールが済んでいること
SQLite 3 のインストール: SQLite 3 インストール，データベース作成，テーブル定義，レコード挿入（Windows 上）は別ページ »で説明
Python のインストール，および Python のパッケージ sqlite3, rpy2, numpy, pandas のインストールが済んでいること（sqlite3 は Python の標準ライブラリに含まれる）

あらかじめ決めておく事項

このページでは，SQLite 3 データベースの生成を行う．生成するSQLite 3 データベースのデータベース名を決めておくこと．このページでは，次のように書く．

データベース名: rdataset
データベース名は自由に決めてよいが，半角文字（英字と英記号）を使い，スペースを含めないこと．

第２章　一般のデータ

iris

iris は R の datasets パッケージに付属するアヤメの測定データである．R での列名は Sepal.Length, Sepal.Width, Petal.Length, Petal.Width, Species（ドット区切り）であるが，ここでは SQLite 3 のテーブル列名としてアンダースコア区切りの名前を用いる（読み込み時は CSV の見出し行を除いてデータ部分だけを取り込むため，列名の対応に問題はない）．

テーブル定義

iris(Sepal_Length, Sepal_Width, Petal_Length, Petal_Width, Species)

◆ Python プログラム（テーブルの作成）

#!/usr/bin/python

import sqlite3
conn = sqlite3.connect('rdataset')

sql = u"""
drop table iris;
"""
conn.execute(sql)

sql = u"""
create table iris (
  Sepal_Length  real,
  Sepal_Width   real,
  Petal_Length  real,
  Petal_Width   real,
  Species       text
);
"""
conn.execute(sql)

conn.close()

テーブルへのデータの読み込み

◆ bash プログラム

#!/bin/bash

cat >/tmp/a.$$.r <<-RCOMMAND
  library(stats)
  library(graphics)
  library(datasets)
  library(ggplot2)
  library(xts)
  library(chron)
  write.csv(iris, file="/tmp/iris.csv", row.names=FALSE)
RCOMMAND
#
cat /tmp/a.$$.r | R --no-save

cat >/tmp/a.$$.sql <<-SQL
.mode csv
.import /tmp/a.$$.csv iris
vacuum;
SQL
#
tail -n +2 /tmp/iris.csv > /tmp/a.$$.csv
cat /tmp/a.$$.sql | sqlite3 /tmp/rdataset
#
echo 'select * from iris limit 10;' | sqlite3 /tmp/rdataset

diamonds

diamonds は ggplot2 パッケージに付属するダイヤモンドのデータである．列 table（テーブル面の比率）は SQL の予約語と紛らわしいため，SQLite 3 のテーブルでは列名を tbl とする．

テーブル定義

diamonds(carat, cut, color, clarity, depth, table, price, x, y, z)

◆ bash プログラム

#!/bin/bash

# rm -f /tmp/rdataset
#
cat >/tmp/a.$$.sql <<-SQL
drop table diamonds;
SQL
cat /tmp/a.$$.sql | sqlite3 /tmp/rdataset
#
cat >/tmp/a.$$.sql <<-SQL
create table diamonds (
  carat   real,
  cut     text,
  color   text,
  clarity text,
  depth   real,
  tbl     real,
  price   integer,
  x       real,
  y       real,
  z       real
);
SQL
cat /tmp/a.$$.sql | sqlite3 /tmp/rdataset

テーブルの作成

◆ bash プログラム

#!/bin/bash

cat >/tmp/a.$$.r <<-RCOMMAND
  library(stats)
  library(graphics)
  library(datasets)
  library(ggplot2)
  library(xts)
  library(chron)
  write.csv(diamonds, file="/tmp/diamonds.csv", row.names=FALSE)
RCOMMAND
#
cat /tmp/a.$$.r | R --no-save

cat >/tmp/a.$$.sql <<-SQL
.mode csv
.import /tmp/a.$$.csv diamonds
vacuum;
SQL
#
tail -n +2 /tmp/diamonds.csv > /tmp/a.$$.csv
cat /tmp/a.$$.sql | sqlite3 /tmp/rdataset
#
echo 'select * from diamonds limit 10;' | sqlite3 /tmp/rdataset

Indometh

Indometh は R の datasets パッケージに付属する，インドメタシンの薬物動態データである．列は Subject（被験者），time（採取時刻），conc（血漿中濃度）である．ここでは時刻の列名を t とする．

テーブル定義

Indometh(Subject, t, conc)

◆ bash プログラム

#!/bin/bash

# rm -f /tmp/rdataset
#
cat >/tmp/a.$$.sql <<-SQL
drop table Indometh;
SQL
cat /tmp/a.$$.sql | sqlite3 /tmp/rdataset
#
cat >/tmp/a.$$.sql <<-SQL
create table Indometh (
  Subject  integer,
  t        real,
  conc     real
);
SQL
cat /tmp/a.$$.sql | sqlite3 /tmp/rdataset

テーブルの作成

◆ bash プログラム

#!/bin/bash

cat >/tmp/a.$$.r <<-RCOMMAND
  library(stats)
  library(graphics)
  library(datasets)
  library(ggplot2)
  library(xts)
  library(chron)
  write.csv(Indometh, file="/tmp/Indometh.csv", row.names=FALSE)
RCOMMAND
#
cat /tmp/a.$$.r | R --no-save

cat >/tmp/a.$$.sql <<-SQL
.mode csv
.import /tmp/a.$$.csv Indometh
vacuum;
SQL
#
tail -n +2 /tmp/Indometh.csv > /tmp/a.$$.csv
cat /tmp/a.$$.sql | sqlite3 /tmp/rdataset
#
echo 'select * from Indometh limit 10;' | sqlite3 /tmp/rdataset

第３章　時系列 (time series)

wind

ここでの wind は gstat パッケージに付属するアイルランドの風速データ（1961〜1978 年）である．year は 1900 を引いた値で格納されているため，R 側で year + 1900 として日付を組み立てる．

テーブル定義

wind(year, month, day, RPT, VAL, ROS, KIL, SHA, BIR, DUB, CLA, MUL, CLO, BEL, MAL)

◆ bash プログラム

#!/bin/bash

# rm -f /tmp/rdataset
#
cat >/tmp/a.$$.sql <<-SQL
drop table wind;
SQL
cat /tmp/a.$$.sql | sqlite3 /tmp/rdataset
#
cat >/tmp/a.$$.sql <<-SQL
create table wind (
  at     date,
  year   integer,
  month  integer,
  day    integer,
  RPT    real,
  VAL    real,
  ROS    real,
  KIL    real,
  SHA    real,
  BIR    real,
  DUB    real,
  CLA    real,
  MUL    real,
  CLO    real,
  BEL    real,
  MAL    real
);
SQL
cat /tmp/a.$$.sql | sqlite3 /tmp/rdataset

テーブルの作成

◆ bash プログラム

#!/bin/bash

cat >/tmp/a.$$.r <<-RCOMMAND
  library(stats)
  library(graphics)
  library(datasets)
  library(ggplot2)
  library(xts)
  library(chron)
  library(insol)
  library(gstat)
  data(wind)
  wind\$at = as.Date( ISOdate(wind\$year + 1900, wind\$month, wind\$day) )
  # 列順序の入れ替え
  wind <- wind[,c(16,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15)]
  str(wind)
  write.csv(wind, file="/tmp/wind.csv", row.names=FALSE)
RCOMMAND
#
cat /tmp/a.$$.r | R --no-save

cat >/tmp/a.$$.sql <<-SQL
.mode csv
.import /tmp/a.$$.csv wind
vacuum;
SQL
#
tail -n +2 /tmp/wind.csv > /tmp/a.$$.csv
cat /tmp/a.$$.sql | sqlite3 /tmp/rdataset
#
echo 'select * from wind limit 10;' | sqlite3 /tmp/rdataset

◆ ggplot() を使用 (R プログラム)

  library(ggplot2)
  library(RSQLite)
  library(xts)
  library(chron)

  fetch_table <- function(sqlite3dbname, tablename) {
    drv <- dbDriver("SQLite", max.con = 1)
    conn <- dbConnect(drv, dbname=sqlite3dbname)
    rs <- dbSendQuery( conn, paste("SELECT * from", tablename, ";") )
    T <- fetch(rs, n = -1)
    return(T)
  }

  T <- fetch_table("/tmp/rdataset", "wind")

#
  table_to_melt <- function(T, tsvec, tsformat) {
    # 先に xts 型に変換しておく
    D <- as.xts( read.zoo( T, tsformat ) )
    # melt(Date, AttrNum, Value).
    Date <- rep(strptime(tsvec, tsformat, tz=""), ncol(D))
    AttrNum <- rep(1:ncol(D), each=nrow(D))
    Value <- as.numeric(as.vector(D))
    return( data.frame(Date=Date, AttrNum=AttrNum, Value=Value) )
  }

  M <- table_to_melt(T, T$at, "%Y-%m-%d")
#
#  ggplot(M, aes(x=Date, y=Value, colour=factor(AttrNum))) + geom_point(size=1);
  ggplot(subset(M, AttrNum==10), aes(x=Date, y=Value, colour=factor(AttrNum))) + geom_point(size=1);

◆ 追加プログラム (R プログラム)　（書きかけ）

http://www.inside-r.org/packages/cran/gstat/docs/wind

#  1月1日を基点とする日数（月日の情報を使う．年は無視）
j <- as.numeric(format(as.Date(T$at), '%j') )

winsqrt = sqrt( 0.5148 * ( as.matrix(T[5:16]) ) )
plot(winsqrt)
winsqrt = winsqrt - mean(winsqrt)
a <- sapply( split(winsqrt, j), mean )

plot(a)
lines( lowess(a, f=0.1) )

meteoandes

meteoandes は insol パッケージに付属する山岳気象データである（insol パッケージは現在 CRAN の通常配布から外れており，CRAN の archive から入手する）．year（年），doy（年初からの通算日），hh（時），mm（分）から日時を組み立てる．

テーブル定義

meteoandes(year, doy, hh, mm, Tair, pyra1, pyra2, windspeed, winddir, RH)

◆ bash プログラム

#!/bin/bash

# rm -f /tmp/rdataset
#
cat >/tmp/a.$$.sql <<-SQL
drop table meteoandes;
SQL
cat /tmp/a.$$.sql | sqlite3 /tmp/rdataset
#
cat >/tmp/a.$$.sql <<-SQL
create table meteoandes (
  meteodate datetime,
  year      integer,
  doy       integer,
  hh        integer,
  mm        integer,
  Tair      real,
  pyra1     real,
  pyra2     real,
  windspeed real,
  winddir   real,
  RH        real
);
SQL
cat /tmp/a.$$.sql | sqlite3 /tmp/rdataset

テーブルの作成

◆ bash プログラム

#!/bin/bash

cat >/tmp/a.$$.r <<-RCOMMAND
  library(stats)
  library(graphics)
  library(datasets)
  library(ggplot2)
  library(xts)
  library(chron)
  library(insol)
  data(meteoandes)
  meteoandes\$meteodate = strptime(paste(meteoandes\$year,meteoandes\$doy,meteoandes\$hh,meteoandes\$mm),format="%Y %j %H %M",tz="America/Santiago")
  # 列順序の入れ替え
  meteoandes <- meteoandes[,c(11,1,2,3,4,5,6,7,8,9,10)]
  str(meteoandes)
  write.csv(meteoandes, file="/tmp/meteoandes.csv", row.names=FALSE)
RCOMMAND
#
cat /tmp/a.$$.r | R --no-save

cat >/tmp/a.$$.sql <<-SQL
.mode csv
.import /tmp/a.$$.csv meteoandes
vacuum;
SQL
#
tail -n +2 /tmp/meteoandes.csv > /tmp/a.$$.csv
cat /tmp/a.$$.sql | sqlite3 /tmp/rdataset
#
echo 'select * from meteoandes limit 10;' | sqlite3 /tmp/rdataset

R のプログラム例を用いてプロット

◆ ggplot() を使用 (R プログラム)　(書きかけ)（動作未確認）

  library(ggplot2)
  library(RSQLite)
  library(xts)
  library(chron)

  fetch_table <- function(sqlite3dbname, tablename) {
    drv <- dbDriver("SQLite", max.con = 1)
    conn <- dbConnect(drv, dbname=sqlite3dbname)
    rs <- dbSendQuery( conn, paste("SELECT * from", tablename, ";") )
    T <- fetch(rs, n = -1)
    return(T)
  }

  T <- fetch_table("/tmp/rdataset", "meteoandes")

#
  table_to_melt <- function(T, tsvec, tsformat) {
    # 先に xts 型に変換しておく
    D <- as.xts( read.zoo( T, tsformat ) )
    # melt(Date, AttrNum, Value).
    Date <- rep(strptime(tsvec, tsformat, tz=""), ncol(D))
    AttrNum <- rep(1:ncol(D), each=nrow(D))
    Value <- as.numeric(as.vector(D))
    return( data.frame(Date=Date, AttrNum=AttrNum, Value=Value) )
  }

  M <- table_to_melt(T, T$meteodate, "%Y-%m-%d %H:%M:%S")
#
  ggplot(M, aes(x=Date, y=Value, colour=factor(AttrNum))) + geom_point(size=1);
#
  ggplot(subset(M, AttrNum==3), aes(x=Date, y=Value, colour=factor(AttrNum))) + geom_point(size=1);

◆ plot() を使用 (R プログラム)

  library(RSQLite)
  library(xts)
  library(chron)
  drv <- dbDriver("SQLite", max.con = 1)
  conn <- dbConnect(drv, dbname="/tmp/rdataset")
  rs <- dbSendQuery( conn, "SELECT * from meteoandes;" )
  T <- fetch(rs, n = -1)
# plot pyra1, pyra2
  plot(strptime(T$meteodate, "%Y-%m-%d %H:%M:%S", tz=""), T$pyra1, 'l', col=2, xlab='Date', xaxt="n",
  ylab=expression(paste('Solar radiation [ ',Wm^-2,' ]')), main='Insolation at Loma Larga glacier')
  r <- as.POSIXct(round(range(strptime(T$meteodate, "%Y-%m-%d %H:%M:%S", tz="")), "days"))
  lines(strptime(T$meteodate, "%Y-%m-%d %H:%M:%S", tz=""), T$pyra2, col=4)
  axis.POSIXct(1, at=seq(r[1],r[2], by="1 week"), format="%d日　0時")

economics

economics は ggplot2 パッケージに付属する米国の経済時系列データである．date（月），pce（個人消費支出），pop（総人口），psavert（個人貯蓄率），uempmed（失業期間の中央値），unemploy（失業者数）の列を持つ．ここでは日付の列名を dt とする．

テーブル定義

economics(dt, pce, pop, psavert, uempmed, unemploy)

◆ bash プログラム

#!/bin/bash

# rm -f /tmp/rdataset
#
cat >/tmp/a.$$.sql <<-SQL
drop table economics;
SQL
cat /tmp/a.$$.sql | sqlite3 /tmp/rdataset
#
cat >/tmp/a.$$.sql <<-SQL
create table economics (
  dt       datetime,
  pce      real,
  pop      integer,
  psavert  real,
  uempmed  real,
  unemploy integer
);
SQL
cat /tmp/a.$$.sql | sqlite3 /tmp/rdataset

テーブルの作成

◆ bash プログラム

#!/bin/bash

cat >/tmp/a.$$.r <<-RCOMMAND
  library(stats)
  library(graphics)
  library(datasets)
  library(ggplot2)
  library(xts)
  library(chron)
  write.csv(economics, file="/tmp/economics.csv", row.names=FALSE)
RCOMMAND
#
cat /tmp/a.$$.r | R --no-save

cat >/tmp/a.$$.sql <<-SQL
.mode csv
.import /tmp/a.$$.csv economics
vacuum;
SQL
#
tail -n +2 /tmp/economics.csv > /tmp/a.$$.csv
cat /tmp/a.$$.sql | sqlite3 /tmp/rdataset
#
echo 'select * from economics limit 10;' | sqlite3 /tmp/rdataset

R のプログラム例を用いてプロット

◆ ggplot() を使用 (R プログラム)

  library(ggplot2)
  library(RSQLite)
  library(xts)
  library(chron)

  fetch_table <- function(sqlite3dbname, tablename) {
    drv <- dbDriver("SQLite", max.con = 1)
    conn <- dbConnect(drv, dbname=sqlite3dbname)
    rs <- dbSendQuery( conn, paste("SELECT * from", tablename, ";") )
    T <- fetch(rs, n = -1)
    return(T)
  }

  T <- fetch_table("/tmp/rdataset", "economics")

#
  table_to_melt <- function(T, tsvec, tsformat) {
    # 先に xts 型に変換しておく
    D <- as.xts( read.zoo( T, tsformat ) )
    # melt(Date, AttrNum, Value).
    Date <- rep(strptime(tsvec, tsformat, tz=""), ncol(D))
    AttrNum <- rep(1:ncol(D), each=nrow(D))
    Value <- as.numeric(as.vector(D))
    return( data.frame(Date=Date, AttrNum=AttrNum, Value=Value) )
  }

  M <- table_to_melt(T, T$dt, "%Y-%m-%d")
#
  ggplot(M, aes(x=Date, y=Value, colour=factor(AttrNum))) + geom_point(size=1);
#
  ggplot(subset(M, AttrNum==3), aes(x=Date, y=Value, colour=factor(AttrNum))) + geom_point(size=1);

nhtemp

nhtemp は R の datasets パッケージに付属する，米国コネチカット州ニューヘイブンの年平均気温（華氏，1912〜1971 年）の時系列データである．時系列を xts 型に変換し，行名（年）とともに CSV へ書き出す．

テーブル定義

nhtemp(ts, temperature)

◆ bash プログラム

#!/bin/bash

# rm -f /tmp/rdataset
#
cat >/tmp/a.$$.sql <<-SQL
drop table nhtemp;
SQL
cat /tmp/a.$$.sql | sqlite3 /tmp/rdataset
#
cat >/tmp/a.$$.sql <<-SQL
create table nhtemp (
  ts            datetime,
  temperature   real
);
SQL
cat /tmp/a.$$.sql | sqlite3 /tmp/rdataset

テーブルの作成

◆ bash プログラム

#!/bin/bash

cat >/tmp/a.$$.r <<-RCOMMAND
  library(stats)
  library(graphics)
  library(datasets)
  library(ggplot2)
  library(xts)
  library(chron)
  data(nhtemp)
  D <- as.xts(nhtemp)
#
  write.csv(as.data.frame(D), file="/tmp/nhtemp.csv", row.names=TRUE)
RCOMMAND
#
cat /tmp/a.$$.r | R --no-save

cat >/tmp/a.$$.sql <<-SQL
.mode csv
.import /tmp/a.$$.csv nhtemp
vacuum;
SQL
#
tail -n +2 /tmp/nhtemp.csv > /tmp/a.$$.csv
cat /tmp/a.$$.sql | sqlite3 /tmp/rdataset
#
echo 'select * from nhtemp limit 10;' | sqlite3 /tmp/rdataset

R のプログラム例を用いてプロット

◆ ggplot() を使用 (R プログラム)

  library(ggplot2)
  library(RSQLite)
  library(xts)
  library(chron)

  fetch_table <- function(sqlite3dbname, tablename) {
    drv <- dbDriver("SQLite", max.con = 1)
    conn <- dbConnect(drv, dbname=sqlite3dbname)
    rs <- dbSendQuery( conn, paste("SELECT * from", tablename, ";") )
    T <- fetch(rs, n = -1)
    return(T)
  }

  T <- fetch_table("/tmp/rdataset", "nhtemp")

#
  table_to_melt <- function(T, tsvec, tsformat) {
    # 先に xts 型に変換しておく
    D <- as.xts( read.zoo( T, tsformat ) )
    # melt(Date, AttrNum, Value).
    Date <- rep(strptime(tsvec, tsformat, tz=""), ncol(D))
    AttrNum <- rep(1:ncol(D), each=nrow(D))
    Value <- as.numeric(as.vector(D))
    return( data.frame(Date=Date, AttrNum=AttrNum, Value=Value) )
  }

  M <- table_to_melt(T, T$ts, "\"%Y-%m-%d\"")

#
  ggplot(M, aes(x=Date, y=Value, colour=factor(AttrNum))) + geom_point(size=2);

第４章　配列

Lai2005fig4

Lai2005fig4 は changepoint パッケージに付属する配列データ（染色体 7 番の GBM29 サンプル）である．

データ源: https://compbio.med.harvard.edu/Supplements/Bioinformatics05b/Profiles/Chrom_7_from40_to65Mb_GBM29.xls

テーブル定義

Lai2005fig4(Spot, CH, POS_start, POS_end, GBM29)

◆ bash プログラム

#!/bin/bash

# rm -f /tmp/rdataset
#
cat >/tmp/a.$$.sql <<-SQL
drop table Lai2005fig4;
SQL
cat /tmp/a.$$.sql | sqlite3 /tmp/rdataset
#
cat >/tmp/a.$$.sql <<-SQL
create table Lai2005fig4 (
  Spot      integer,
  CH        integer,
  POS_start integer,
  POS_end   integer,
  GBM29     real
);
SQL
cat /tmp/a.$$.sql | sqlite3 /tmp/rdataset

テーブルの作成

◆ bash プログラム

#!/bin/bash

cat >/tmp/a.$$.r <<-RCOMMAND
  library(stats)
  library(graphics)
  library(datasets)
  library(ggplot2)
  library(xts)
  library(chron)
  library(changepoint)
  data(Lai2005fig4)
  write.csv(Lai2005fig4, file="/tmp/Lai2005fig4.csv", row.names=FALSE)
RCOMMAND
#
cat /tmp/a.$$.r | R --no-save

cat >/tmp/a.$$.sql <<-SQL
.mode csv
.import /tmp/a.$$.csv Lai2005fig4
vacuum;
SQL
#
tail -n +2 /tmp/Lai2005fig4.csv > /tmp/a.$$.csv
cat /tmp/a.$$.sql | sqlite3 /tmp/rdataset
#
echo 'select * from Lai2005fig4 limit 10;' | sqlite3 /tmp/rdataset

第５章　緯度・経度

wind.loc

ここでの wind.loc は gstat パッケージに付属する観測点の位置データである．Latitude, Longitude は度分秒（DMS）の文字列で格納されているため，sp パッケージの char2dms()（DMS 形式の文字列を緯度・経度の数値へ変換する関数）で十進数の緯度・経度に変換する．

テーブル定義

wind_loc(lat, lon, Station, Code, Latitude, Longitude, MeanWind)

◆ bash プログラム

#!/bin/bash

# rm -f /tmp/rdataset
#
cat >/tmp/a.$$.sql <<-SQL
drop table wind_loc;
SQL
cat /tmp/a.$$.sql | sqlite3 /tmp/rdataset
#
cat >/tmp/a.$$.sql <<-SQL
create table wind_loc (
  Station   text,
  Code      text,
  Latitude  text,
  Longitude text,
  MeanWind  real,
  lat       real,
  lon       real
);
SQL
cat /tmp/a.$$.sql | sqlite3 /tmp/rdataset

テーブルの作成

◆ bash プログラム

#!/bin/bash

cat >/tmp/a.$$.r <<-RCOMMAND
  library(stats)
  library(graphics)
  library(datasets)
  library(ggplot2)
  library(xts)
  library(chron)
  library(insol)
  library(gstat)
  library(sp)
  data(wind)
  wind.loc\$y = as.numeric(char2dms(as.character(wind.loc[['Latitude']])))
  wind.loc\$x = as.numeric(char2dms(as.character(wind.loc[['Longitude']])))
  coordinates(wind.loc) = ~x+y
  write.csv(wind.loc, file="/tmp/wind.loc.csv", row.names=FALSE)
RCOMMAND
#
cat /tmp/a.$$.r | R --no-save

cat >/tmp/a.$$.sql <<-SQL
.mode csv
.import /tmp/a.$$.csv wind_loc
vacuum;
SQL
#
tail -n +2 /tmp/wind.loc.csv > /tmp/a.$$.csv
cat /tmp/a.$$.sql | sqlite3 /tmp/rdataset
#
echo 'select * from wind_loc limit 10;' | sqlite3 /tmp/rdataset

seals

seals は ggplot2 パッケージに付属する，アザラシの移動を表すベクトル場データである．lat, long（観測点の緯度・経度）と delta_long, delta_lat（移動量）の 4 列を持つ．

テーブル定義

seals(lat, long, delta_long, delta_lat)

◆ bash プログラム

#!/bin/bash

# rm -f /tmp/rdataset
#
cat >/tmp/a.$$.sql <<-SQL
drop table seals;
SQL
cat /tmp/a.$$.sql | sqlite3 /tmp/rdataset
#
cat >/tmp/a.$$.sql <<-SQL
create table seals (
  lat        real,
  long       real,
  delta_long real,
  delta_lat  real
);
SQL
cat /tmp/a.$$.sql | sqlite3 /tmp/rdataset

テーブルの作成

◆ bash プログラム

#!/bin/bash

cat >/tmp/a.$$.r <<-RCOMMAND
  library(stats)
  library(graphics)
  library(datasets)
  library(ggplot2)
  library(xts)
  library(chron)
  write.csv(seals, file="/tmp/seals.csv", row.names=FALSE)
RCOMMAND
#
cat /tmp/a.$$.r | R --no-save

cat >/tmp/a.$$.sql <<-SQL
.mode csv
.import /tmp/a.$$.csv seals
vacuum;
SQL
#
tail -n +2 /tmp/seals.csv > /tmp/a.$$.csv
cat /tmp/a.$$.sql | sqlite3 /tmp/rdataset
#
echo 'select * from seals limit 10;' | sqlite3 /tmp/rdataset

R システムのパッケージに付属のデータセットから SQLite 3 データベースを生成（R システム，SQLite3 を使用）

第１章 前準備

使用するソフトウェア

あらかじめ決めておく事項

第２章 一般のデータ

iris

diamonds

Indometh

第３章 時系列 (time series)

wind

meteoandes

economics

nhtemp

第４章 配列

Lai2005fig4

第５章 緯度・経度

wind.loc

seals

第１章　前準備

第２章　一般のデータ

第３章　時系列 (time series)

第４章　配列

第５章　緯度・経度