R：自定义函数 - 改变现有列

Question

我想创建一个自定义函数来尝试标准化多个不同列、多个不同数据框中的字符串，最终目的是将它们中的数据连接在一起。

为了做到这一点，我希望能够将列名传递给自定义函数，并让该函数对该列执行操作。在下面的示例中，我想在将列 a 和 c 连接在一起之前清理它们，使其看起来像这样：

library(tidyverse)

df1 <- tibble(a = c("apple & pear", "kiwi", "plum"), b = c("cat", "dog", "cow"))
df2 <- tibble(c = c("apple and pear", "kiwi.", "plum"), d = c("car", "bike", "truck")) 

full_join(df1, df2, by = c("a" = "c") )

  a              b     d    
1 apple & pear   cat   car   
2 kiwi           dog   bike   
3 plum           cow   truck

而不是现在的结果，是这样的：

# A tibble: 5 x 3
  a              b     d
1 apple & pear   cat   NA   
2 kiwi           dog   NA   
3 plum           cow   truck
4 apple and pear NA    car  
5 kiwi.          NA    bike 

为此，我知道我需要构建自定义函数，但我相对缺乏经验，尤其是使用curly-curly。下面的两个函数应该更改符号并删除尾随标点符号，理想情况下应该将它们组合成一个函数，如果需要，可以灵活地添加更多函数，如下所示：

add_symbol <- function(col.name){
  mutate({{col.name}} = gsub(" & ", " and ", {{col.name}}))
}

rm_trail_punc <- function(col.name){
  mutate({{col.name}} = gsub("[[:punct:]]$", "", {{col.name}}))
}

standardise_col <- function(df, col.name){
  df %>%
    add_symbol({{col.name}}) %>%
    rm_trail_punc({{col.name}})
}

df1 <- standardise_col(df1)
standardise_col(df2) %>%
  full_join(., df1, by = c("a" = "c"))

但是，这些函数无法创建，并返回错误unexpected '='，因为无法将列名传递到等号的左侧。有什么方法可以将这些值传递给mutate 而无需对其进行硬编码？

Answer 1

我认为您可以通过以下方式更简单地实现这一目标：

library(dplyr)

clean_func <- function(df){
    df %>% mutate(across(everything(), ~gsub(" & ", " and ", .) %>% 
                    gsub("[[:punct:]]$", "", .))) 
    }

df1 <- clean_func(df1)
df2 <- clean_func(df2)

您可以根据需要添加额外的gsub、str_replace 或其他调用来更新函数。

编辑：

根据更新，您可以执行以下操作来专门针对您的变量：

add_symbol <- function(col.name){
  gsub(" & ", " and ", col.name)
}

rm_trail_punc <- function(col.name){
  gsub("[[:punct:]]$", "", col.name)
}

standardise_col <- function(df, col.name){
  
    col.name <- enquo(col.name)
    
  df %>% 
    mutate(!!col.name := add_symbol(!!col.name),
           !!col.name := rm_trail_punc(!!col.name))
}

你的代码永远不会像写的那样工作，但你可以这样做：

new_df <- standardise_col(df1, a) %>% 
left_join(., standardise_col(df2, c), by = c("a"="c"))

这给了我们：

# A tibble: 3 x 3
  a              b     d    
  <chr>          <chr> <chr>
1 apple and pear cat   car  
2 kiwi           dog   bike 
3 plum           cow   truck

你可以在这里阅读整洁的评估：https://tidyeval.tidyverse.org/dplyr.html

Answer 2

正如@1k monkeys 和一台 PC 的评论中所说，您的示例数据与您显示的不同，因此结果可能会有所不同，但我们假设您有一些这样的数据：

df1 <- tibble(a = c("apple & pear", "kiwi", "plum"),
              b = c("cat","dog","cow")) 
df2 <- tibble(c = c("apple and pear", "kiwi.", "orange"),
              d = c("truck","bike","car")) 

你可以设法使用包fuzzyjoin来合并它们：

library(fuzzyjoin)
library(dplyr)
df1 %>% 
stringdist_full_join(df2, by = c(a = "c") ,
                          max_dist = 3,
                          distance_col = "DIST")

# A tibble: 4 x 5
  a            b     c              d      DIST
  <chr>        <chr> <chr>          <chr> <dbl>
1 apple & pear cat   apple and pear truck     3
2 kiwi         dog   kiwi.          bike      1
3 plum         cow   <NA>           <NA>     NA
4 <NA>         <NA>  orange         car      NA

结果不同，因为我根据您的示例提供了数据，并且“plum”和“orange”不匹配（因此牛和汽车未对齐）。显然，使用select() 可以选择所需的列，或者使用mutate() 可以重命名它们。