1

我有一个大型数据框，其中有一列包含数千个不同的位置（城市）名称，我需要对其进行简化/清理。

在进行了很多努力并尝试使用正则表达式和循环来完成之后，我找到了 DataCombine 包和 FindReplace，它们旨在做我想做的事，但我无法让它发挥作用。

所以我有：

   UserId          Location
1   USR_1             Paris
2   USR_2            London
3   USR_3           Londres
4   USR_4           Neuilly
5   USR_5            Berlin
6   USR_6    London Chelsea
7   USR_7 Berlin Schoenfeld
8   USR_8          Paris-20
9   USR_9           Neuilly
10 USR_10     Friedrischain

清洁只是一种替换，例如“London Chelsea”应该是“London”，“Brooklyn”应该是“New York City”，“Paris 20e”和“Paris-14”应该是“Paris”。更进一步，我希望将具有“Paris”模式的所有内容替换为“Paris”（有点像 SQL 中的“Paris%”）。

# Data for testing
library(DataCombine)
user_test <- data_frame(x <- paste("USR", as.character(1:10), sep = "_"), y <- c("Paris", "London", "Londres", "Neuilly", " Berlin", "London Chelsea", "Berlin Schoenfeld", "Paris-20", "Neuilly", "Friedrischain"))
colnames(user_test) <- c("UserId","Location")
user_test <- as.data.frame(user_test) ### Not sure why I have to put it there but otherwise it doesn't have the dataframe class
should_be <- data_frame(c("Paris", "London", "Berlin", "Neuilly", "Friedr"), c("Paris", "London", "Berlin", "Paris", "Berlin"))
colnames(should_be) <- c("is","should_be")

# Calling the function
FindReplace(data = user_test, Var = "Location", replaceData = should_be, from = "is", to = "should_be", exact = FALSE, vector = FALSE)

该函数返回：

   UserId          Location
1   USR_1             Paris
2   USR_2            London
3   USR_3           Londres
4   USR_4             Paris
5   USR_5            Berlin
6   USR_6    London Chelsea
7   USR_7 Berlin Schoenfeld
8   USR_8          Paris-20
9   USR_9             Paris
10 USR_10     Berlinischain

部分清理（字符串已被替换）但不是整个条目。

关于我该怎么做的任何想法？用grep循环？匹配？或者我真的必须构建一个包含所有所需条目的清洁数据框。

4

1 回答 1

0

合并。

# Data for testing
library(tidyverse)

left_join(user_test, should_be, by = c("Location"="is")) %>% 
  mutate(final = coalesce(should_be, Location))

#> # A tibble: 10 x 4
#>    UserId Location          should_be final            
#>    <chr>  <chr>             <chr>     <chr>            
#>  1 USR_1  Paris             Paris     Paris            
#>  2 USR_2  London            London    London           
#>  3 USR_3  Londres           <NA>      Londres          
#>  4 USR_4  Neuilly           Paris     Paris            
#>  5 USR_5  " Berlin"         <NA>      " Berlin"        
#>  6 USR_6  London Chelsea    <NA>      London Chelsea   
#>  7 USR_7  Berlin Schoenfeld <NA>      Berlin Schoenfeld
#>  8 USR_8  Paris-20          <NA>      Paris-20         
#>  9 USR_9  Neuilly           Paris     Paris            
#> 10 USR_10 Friedrischain     <NA>      Friedrischain
Created on 2018-03-03 by the reprex package (v0.2.0).
于 2018-03-03T19:19:53.410 回答