基于模式重命名变量的 sqldf R 代码

Question

我有一个包含 50,000 多行不同名称的 csv 格式的列表，下面有相同的 5 位代码：

Code             Name
25000            James John Junior
RA25000          James Junior
RA2500009        James J. Junior
RA27000          Bill Hope
RA2800009        Donna Scott
28000            Donna Love Scott

由于列表共享相同的底层代码，例如 25000，我如何使用 R 中的 sqldf 包（如下所示）更改列表以使其名称与底层代码相关联（例如 25000）。仅使用 Rstudio。

Code             Name
25000            James John Junior
RA25000          James John Junior
RA2500009        James John Junior
RA27000          Bill Hope
RA2800009        Donna Love Scott
28000            Donna Love Scott

注意，我想避免在代码中分别输入 25000、27000、28000，因为列表本身有超过 50,000 行，并且可能有 40,000 种基础代码变体。

Answer 1

假设您的sqldf 版本支持common table expressions（SQLite 3.8.3+），请考虑使用SUBSTR 和REPLACE 清理代码，并将其加入聚合CTE 以对齐最大长度的名称。 CTE 的最终自连接需要映射干净的名称。

WITH agg AS
   (SELECT SUBSTR(REPLACE([Code], 'RA', ''),1,5) AS CleanCode, 
           MAX(LENGTH([Name])) AS MaxLenName
    FROM myData
    GROUP BY SUBSTR(REPLACE([Code], 'RA', ''),1,5)
   ),
   sub AS 
   (SELECT SUBSTR(REPLACE([Code], 'RA', ''),1,5) AS CleanCode, 
           LENGTH([Name]) AS LenName,
           [Code],
           [Name]
    FROM myData
   )

SELECT sub.Code,
       sub2.Name
FROM sub
INNER JOIN agg
   ON agg.CleanCode = sub.CleanCode
LEFT JOIN sub as sub2
   ON agg.CleanCode = sub2.CleanCode
   AND agg.MaxLenName = sub2.LenName;

Online Demo （点击顶部运行）

| Code      | Name              |
| --------- | ----------------- |
| 25000     | James John Junior |
| RA25000   | James John Junior |
| RA2500009 | James John Junior |
| RA27000   | Bill Hope         |
| RA2800009 | Donna Love Scott  |
| 28000     | Donna Love Scott  |

Answer 2

使用在最后的注释中重复显示的输入执行左自连接。 ltrim 删除DF 的第一个实例的代码左侧的任何A 或R，然后substr 采用接下来的5 个字符。将其与DF 的Code 的第二个实例匹配。如果数字前面可以有其他字母，请将它们包含在AR 字符串中。如果可以出现任何大写字母，则使用ABCDEFGHIJKLMNOPQRSTUVWXYZ。

library(sqldf)
sqldf("select a.Code, coalesce(b.Name, a.Name) Name 
  from DF a left join DF b
  on substr(ltrim(a.Code, 'AR'), 1, 5) = b.Code")

给予：

       Code              Name
1     25000 James John Junior
2   RA25000 James John Junior
3 RA2500009 James John Junior
4   RA27000         Bill Hope
5 RA2800009  Donna Love Scott
6     28000  Donna Love Scott

注意

Lines <- "Code             Name
25000            James John Junior
RA25000          James Junior
RA2500009        James J. Junior
RA27000          Bill Hope
RA2800009        Donna Scott
28000            Donna Love Scott"
Lines2 <- readLines(textConnection(Lines))
DF <- read.csv(text = sub(" +", ",", Lines2), header = TRUE, strip.white = TRUE)