从R中的单个列中提取许多变量

如何解决从R中的单个列中提取许多变量

我正在处理卡住的数据清理问题。我已经开始以下面所示的格式接收csv文件，并且需要先清理它，然后才能进行任何分析。这样的列有几列，每个单元格中可能需要提取数百个变量。

Original <- structure(list(CustNum = c(0,1),Sales = c("[1000,345,Zero,56]","[987,879,325,4568]"),Amounts = c("[10,2,98]","[57,25,52,75]"),Number = c("['1','2','3','4']","['4','1']"),Identifier = c("A","B")),row.names = c(NA,-2L),class = c("tbl_df","tbl","data.frame"))

我正在尝试将其纠缠成这种格式。

Desired <- tibble(CustNum = c(0,1,Sales = c(1000,"Zero",56,987,4568),Amounts = c(10,98,57,75),Number = c(1,3,4,"A","B","B"))

我尝试了以下类型的许多不同变体，但无济于事。

Original$Sales %>%
  str_replace("\\[","") %>%
  str_replace("\\]","") %>%
  str_replace("'","")

在Excel中的Power Query中进行清理很容易，但是想找到一种在R中进行清理的方法，因此我不必使用几种不同的工具。谁能告诉我该怎么做？

解决方法

尝试一下：

library(dplyr) # must be version >= 1.0.0
library(stringr)

Original %>%
 mutate(across(everything(),str_remove_all,pattern = "\\[|\\]|\\'")) %>% 
 mutate(across(everything(),str_split,pattern = ",")) %>%                
 tidyr::unnest(everything()) %>% 
 mutate(across(everything(),str_trim)) %>% 
 mutate(across(c(CustNum,Amounts,Number),as.numeric))

# A tibble: 8 x 5
  CustNum Sales Amounts Number Identifier
    <dbl> <chr>   <dbl>  <dbl> <chr>     
1       0 1000       10      1 A         
2       0 345         2      2 A         
3       0 Zero        0      3 A         
4       0 56         98      4 A         
5       1 987        57      4 B         
6       1 879        25      3 B         
7       1 325        52      2 B         
8       1 4568       75      1 B   

基本上：

• 删除[ ] '
• 由,
分割
• 嵌套列表
• 修剪不必要的空间
• 在必要时设置为数字

,

您可以尝试这种方法

library(tidyverse)
library(stringr)
Original2 <- Original %>% 
  mutate_at(vars(Sales,~str_replace_all(.,"\\[|\\'|\\]|\\s","")) %>% 
  separate_rows(c("Sales","Amounts","Number"),sep = ",")

#   CustNum Sales Amounts Number Identifier
#     <dbl> <chr> <chr>   <chr>  <chr>     
# 1       0 1000  10      1      A         
# 2       0 345   2       2      A         
# 3       0 Zero  0       3      A         
# 4       0 56    98      4      A         
# 5       1 987   57      4      B         
# 6       1 879   25      3      B         
# 7       1 325   52      2      B         
# 8       1 4568  75      1      B  

在这里，我们替换[，'和空格，然后使用separate_rows()包中的tidyr来分隔行。要实现我们的目标，需要两个步骤。

,

我建议这种方法首先将Original的数据重整为长，然后再用sep=','分隔行。之后，您将清理变量以删除一些特殊字符。因此，您可以按组创建一个id变量，以便在Desired中将数据转换为所需的宽度：

library(tidyverse)
#Reshape
Original %>%
  pivot_longer(cols = -c(CustNum,Identifier)) %>%
  separate_rows(value,sep = ',') %>%
  mutate(value=trimws(gsub("[[:punct:]]"," ",value))) %>%
  group_by(name) %>% mutate(id=1:n()) %>%
  pivot_wider(names_from = name,values_from=value) %>% 
  ungroup() %>%
  select(-id)

输出：

# A tibble: 8 x 5
  CustNum Identifier Sales Amounts Number
    <dbl> <chr>      <chr> <chr>   <chr> 
1       0 A          1000  10      1     
2       0 A          345   2       2     
3       0 A          Zero  0       3     
4       0 A          56    98      4     
5       1 B          987   57      4     
6       1 B          879   25      3     
7       1 B          325   52      2     
8       1 B          4568  75      1