r 字符串数据清理答案

【问题标题】：r string data cleaningr 字符串数据清理
【发布时间】：2023-03-16 00:22:01
【问题描述】：

我有一些像这样奇怪的字符串混合的数据集

   ID   State
   1    NA
   2    IL
   3    IL,IL,IL
   4    OH,IL
   5    NM,NM,AL,AL
   6    FL,FL,FL

我喜欢

如果 State 值是两个不同的状态，则用 NA 替换它们并且
如果 State 值相同但重复，则将其替换为唯一值。

预期数据集

   ID   State
   1    NA
   2    IL
   3    IL
   4    NA
   5    NA
   6    FL

我尝试了paste(unique(df$State), collapse=",")，但没有奏效。非常感谢您对此提出的任何建议。谢谢。

【问题讨论】：

标签： r string data-cleaning

【解决方案1】：

用逗号 (,) 拆分 State 值，如果其中有两个不同的值，则将其替换为 NA 值。使用distinct 仅保留每个ID 的唯一行。

library(dplyr)
library(tidyr)

df %>%
  separate_rows(State, sep = ',\\s*') %>%
  group_by(ID) %>%
  mutate(State = replace(State, n_distinct(State) > 1, NA)) %>%
  distinct() %>%
  ungroup()

#     ID State
#  <int> <chr>
#1     1 NA   
#2     2 IL   
#3     3 IL   
#4     4 NA   
#5     5 NA   
#6     6 FL

【讨论】：

【解决方案2】：

基础 R 解决方案：

with(
  df,
  vapply(
    State,
    function(x){
      y <- toString(
        unique(
          unlist(
            strsplit(
              x,
              ","
              )
            )
          )
        )
      ifelse(
        grepl(
          ",|NA",
          y),
        NA_character_,
        y
      )
    },
    character(1),
    USE.NAMES = FALSE
  )
)

Tidyverse 解决方案：

library(tidyverse)
str_split(df$State, ",") %>% 
  map(function(x) str_c(unique(x), collapse = ", ")) %>% 
  map_chr(function(y) if_else(str_detect(y, ","), NA_character_, y))

数据：

df <- structure(list(ID = 1:6, State = c(NA, "IL", "IL,IL,IL", "OH,IL", 
"NM,NM,AL,AL", "FL,FL,FL")), class = "data.frame", row.names = c(NA, 
-6L))

【讨论】：