清理数据框中的电子邮件列答案

【问题标题】：clean the email column in dataframe清理数据框中的电子邮件列
【发布时间】：2020-08-27 17:21:17
【问题描述】：

我有一个如下所示的数据框

df <- data.frame(email=c("abc@gmail.com","def@gmail.com","ghi@gmail.com","jkl@gmail.com","mno@gmail.com","pqr@hotmail.com","st@u@live.com","vwx@gmail.com","yza@gmail.com","a.a.b@gmail.c.om",
                   "aac@gmail.com","abb@gmail.com","abc@gmail.com","cab@gmailcom","dfc@gmail.com"))

现在我想在以下情况下清理此列：所以我正在尝试创建一个这样的检查，我可以添加比这 4 个更多的检查...

检查电子邮件是否缺少点“。”
检查电子邮件是否有多个“@”
检查电子邮件是否有多个“.” “@”之前和“@”之后
检查域中是否有除“gmail.com”之外的其他邮件，例如（hotmail.com、live.com）等等......

所以输出应该等于....这样我就可以检查来决定删除或更新什么

【问题讨论】：

标签： r

【解决方案1】：

这是使用dplyr 和stringr 的一种方法。我将您的第三张支票分成两列。

library(tidyverse)
library(stringr)

d <- df %>% 
  mutate(missing_dots = as.numeric(str_detect(email, "\\.", negate = TRUE)),
         more_than_1_at = as.numeric(str_detect(email, ".*@.*@.*|@{2,}")),
         more_than_1_dot_before = as.numeric(str_detect(email, ".*\\..*\\..*@.*")),
         more_than_1_dot_after = as.numeric(str_detect(email, ".*@.*\\..*\\..*")),
         no_gmail = as.numeric(str_detect(email, "@gmail.com", negate = TRUE)))

【讨论】：

【解决方案2】：

您可以使用dplyr 和stringr 的组合来执行此操作。请注意，我不确定您想对点进行计数，因此我在 @ 之前和之后创建了列数。

library(dplyr)
library(stringr)
df %>% 
  mutate(missing_dots = as.numeric(!str_detect(.$email, "\\.")),
  more_1_at = str_count(.$email, "@")-1, 
  dots_before = str_count(str_extract(.$email, ".*@"), "\\."), 
  dots_after = str_count(str_extract(.$email, "@.*"), "\\."), 
  from_gmail = as.numeric(str_detect(.$email, "gmail\\.com")))
#               email missing_dots more_1_at dots_before dots_after from_gmail
# 1     abc@gmail.com            0         0           0          1          1
# 2     def@gmail.com            0         0           0          1          1
# 3     ghi@gmail.com            0         0           0          1          1
# 4     jkl@gmail.com            0         0           0          1          1
# 5     mno@gmail.com            0         0           0          1          1
# 6   pqr@hotmail.com            0         0           0          1          0
# 7     st@u@live.com            0         1           0          1          0
# 8     vwx@gmail.com            0         0           0          1          1
# 9     yza@gmail.com            0         0           0          1          1
# 10 a.a.b@gmail.c.om            0         0           2          2          0
# 11    aac@gmail.com            0         0           0          1          1
# 12    abb@gmail.com            0         0           0          1          1
# 13    abc@gmail.com            0         0           0          1          1
# 14     cab@gmailcom            1         0           0          0          0
# 15    dfc@gmail.com            0         0           0          1          1

【讨论】：

【解决方案3】：

您可以使用grepl匹配变体，使用ifelse分配1和0：

df$missing_dot <- ifelse(grepl("\\wcom", df$email), 1, 0)
df$more_than_1at <- ifelse(grepl("@.*@", df$email), 1,0)
df$more_than_1. <- ifelse(grepl("\\..*\\.", df$email), 1,0)

要包含包含域名的列，您可以使用sub和反向引用\\1：

df$domain <- sub(".*@(.*)$", "\\1", df$email)

结果：

    df
              email missing_dot more_than_1at more_than_1.      domain
1     abc@gmail.com           0             0            0   gmail.com
2     def@gmail.com           0             0            0   gmail.com
3     ghi@gmail.com           0             0            0   gmail.com
4     jkl@gmail.com           0             0            0   gmail.com
5     mno@gmail.com           0             0            0   gmail.com
6   pqr@hotmail.com           0             0            0 hotmail.com
7     st@u@live.com           0             1            0    live.com
8     vwx@gmail.com           0             0            0   gmail.com
9     yza@gmail.com           0             0            0   gmail.com
10 a.a.b@gmail.c.om           0             0            1  gmail.c.om
11    aac@gmail.com           0             0            0   gmail.com
12    abb@gmail.com           0             0            0   gmail.com
13    abc@gmail.com           0             0            0   gmail.com
14     cab@gmailcom           1             0            0    gmailcom
15    dfc@gmail.com           0             0            0   gmail.com

或者，如果您希望 0 和 1 用于 gmail v.其他域，您可以这样做：

ifelse(grepl("gmail", df$email), 0, 1)

【讨论】：