比较 R 中多个数据框的列

Question

我正在分析存储在不同月度文件中的 5 年数据。各个数据集的每个数据集应具有不同的行数和混合行（案例），但应具有相同的变量和变量名称。但是，通过查看它们，我知道有些不是，并且在将所有数据集合并到一个数据框之前，我必须对它们进行操作。有没有办法自动化识别这些过程，特别是记录我所做的更改？

例如，假设我有以下 4 个数据集：

df1 <- data.frame(id = c(1, 2, 3), age = c(10, 20, 30), color = 
       c("green", "purple", "gold"))
df2 <- data.frame(id = c(1, 2, 3, 4), age = c(10, 20, 30, 40), color = 
       c("green", "purple", "gold", "blue"))
df3 <- data.frame(id = c(1, 3, 4), age = c(10, 30, 40), colour = 
       c("green", "gold", "blue"), kids = c(0, 1, 1))
df4 <- data.frame(id = c(1, 2, 4), color = c("green", "purple", 
       "blue"), age = c(10, 20, 40))

所有 4 个数据集应该看起来像 df1 和 df2，但 df3 对一个变量（“color”）和额外变量（“kids”）有不同的拼写，而 df4 颠倒了两个变量（“age”和“颜色”）。

我可以直观地检查列号和名称以识别问题，如下所示：

df.list <- list(df1,df2,df3,df4)
df.cols <- lapply(df.list, function(x) ncol(x))
df.names <- lapply(df.list, function(x) names(x))

输出

> df.cols
[[1]]
[1] 3

[[2]]
[1] 3

[[3]]
[1] 4

[[4]]
[1] 3

> df.names
[[1]]
[1] "id"    "age"   "color"

[[2]]
[1] "id"    "age"   "color"

[[3]]
[1] "id"     "age"    "colour" "kids"  

[[4]]
[1] "id"    "color" "age" 

但我有更多的变量和数据集。有没有更有效的方法来自动和可重复地识别不匹配？我只找到了比较成对数据集的方法。感谢您的任何帮助或建议！

Answer 1

一个简单的方法是

dflist <- mget(paste0("df", 1:4))

nametest <- sapply(dflist,function(x){names(x) %in% names(df1)})
$df1
[1] TRUE TRUE TRUE

$df2
[1] TRUE TRUE TRUE

$df3
[1]  TRUE  TRUE FALSE FALSE

$df4
[1] TRUE TRUE TRUE

然后只看到有问题的

quickview <- unlist(sapply(nametest,function(x){if(!all(x))"name pb"}))
      df3 
"name pb" 

这样您可以同时验证名称和列（具有其他名称的附加列将在 nametest 中给出 FALSE）。 如果你想要错误列的索引：

index <- sapply(dflist,function(x){
  which(!names(x) %in% names(df1))})

$df1
integer(0)

$df2
integer(0)

$df3
[1] 3 4

$df4
integer(0)

如果你想要列的名称：

wrongnames <- sapply(dflist,function(x){
  indx <- which(!names(x) %in% names(df1))
  names(x)[indx]
  })