【发布时间】：2017-01-30 05:15:14
【问题描述】：
我需要根据与第一个链接成链的另外两个数据帧中的值更新数据帧。
目标 df t_offices 此处有 4 个感兴趣的字段：
administrative_area_level_1 administrative_area_level_2 country locality
1 Arizona Maricopa County United States Phoenix
2 District of Columbia <NA> United States Washington
3 <NA> <NA> India <NA>
4 New York Albany County United States Albany
5 Utrecht Nieuwegein Netherlands Nieuwegein
6 Connecticut Fairfield County United States Stamford
707 Illinois <NA> United States <NA>
4241 Illinois <NA> United States West Chicago
999998 Alabama <NA> United States Altoona
999999 Pennsylvania <NA> United States Washington
我需要将administrative_area_level_2 中的 NA 值更新为美国记录的县。值在 df t_places:
state_ab place_name county_name place_nameshort
1 AL Abanda CDP Chambers County Abanda
2 AL Abbeville city Henry County Abbeville
3 AL Adamsville city Jefferson County Adamsville
4 AL Addison town Winston County Addison
5 AL Akron town Hale County Akron
6 AL Alabaster city Shelby County Alabaster
12 AL Altoona town Blount County, Etowah County Altoona
4298 DC Washington city District of Columbia Washington
7527 IL West Chicago city DuPage County Washington
32611 PA Washington township Armstrong County West Chicago
32612 PA Washington township Berks County Washington
place_nameshort 是 place_name 的截断版本，没有指定（例如“城市”、“城镇”等）
我加入t_offices 和t_places 的州和地方，以便获得正确的县。这可能会返回多个县 1) 因为county_name 可以包含多个县，用逗号分隔，2) 因为截断的place_nameshort 可能会返回同一州内的同义词。我需要只需要县明确的情况（返回单个县）。
由于t_places 仅包含state_ab，我需要第三个数据框r_states 用于state_name：
state_ab state_name
1 AL Alabama
2 AK Alaska
3 AZ Arizona
4 AR Arkansas
5 CA California
6 CO Colorado
9 DC District of Columbia
17 IL Illinois
42 PA Pennsylvania
通过在state_ab 上加入t_places 和r_states，我可以获得与t_offices$administrative_area_level_1 匹配的state_name。
这是我的尝试，这是不完整的，因为由于州内同义词，它无法控制多个县，并且无论如何都不起作用。
no_county <- (!is.na(t_offices$country)
& t_offices$country == "United States"
& !is.na(t_offices$administrative_area_level_1)
& is.na(t_offices$administrative_area_level_2)
& !is.na(t_offices$locality))
t_offices$administrative_area_level_2[no_county] <-
t_places$county_name[!grepl(",", t_places$county_name)
& match(t_places$place_nameshort, t_offices$locality[no_county])
& match(t_places$state_ab,
r_states$state_ab[match(r_states$state_name,
t_offices$administrative_area_level_1[no_county])])]
编辑：遵循@r2evans 的建议，这是我的新编码尝试，但仍然不起作用：
# split multiple counties into columns
library(splitstackshape)
t_places <- cSplit(t_places, "county_name", sep = ", ", drop = F, type.convert = F)
# merge state names into places
places_statename <- merge(t_places, r_states[,2:3])
# define condition to select t_offices records in U.S. with state and place but no county
no_county <- (
# country is U.S.
!is.na(t_offices$country)
& t_offices$country == "United States"
# with state
& !is.na(t_offices$administrative_area_level_1)
# blank county
& is.na(t_offices$administrative_area_level_2)
# with place
& !is.na(t_offices$locality))
# update blank counties
t_offices$administrative_area_level_2[no_county] <-
# unambiguous counties
places_statename$county_name_1[is.na(places_statename$county_name_2)
# locality matches place
& match(t_offices$locality[no_county], places_statename$place_nameshort)
# administrative_area_level_1 matches state
& match(t_offices$administrative_area_level_1[no_county],places_statename$state_name)]
【问题讨论】：
-
我建议您修改您的数据以支持直接加入（通过
merge或dplyr::left_join和朋友）。这使一切变得更容易、更健壮，并且更容易使用/排除故障。一个开始：如果county_name可以包含多个逗号分隔的值，则用tidyr::separate和tidyr::gather之类的东西将它们分开（这样加入更直观/容易。第二个建议：请让这个问题可重复；就目前而言，我们没有满足您所有要求的代表性数据。 -
@r2evans 感谢您的建议！我添加了（真实的和虚构的）样本数据，以使问题可重现。至于您的第一个建议，我是否应该合并 t_places 和 r_states 并将 County_name 合并到一个表中，然后将该表与 t_offices 连接起来？
-
@r2evans 不会融化，而是转置成多列
-
“可重现”在这里意味着“易于在我自己的笔记本电脑上使用”。这表明不必手动输入。如果您在您提供的数据子集上提供
dput的输出，将会有所帮助。 -
@r2evans 我已经输入了 r_states、t_places 和 t_offices 样本（所有缺少的县——有些记录不存在）here。
标签： r