Question

我在一个目录中有95个单独的.csv，其中包含19个不同城市的公共员工的相关信息。数据集大多采用相同的结构，并且大多以相同的格式列出数据，但是我希望规范一些异常值。后来在我的分析中，我希望使用员工姓名进行一些匹配，因此将该列规范化是最重要的。我想要执行的操作是：

重命名每个数据集中的列，使它们具有相同的约定
使所有员工姓名列首先命名，姓氏为最后一个（大多数数据集格式正确，没有逗号（[1,1] John H. Doe）。有问题的列将是比如[1,1] Doe，John H.）
删除所有标点符号
删除后缀（jr，ii，iii）
删除中间名首字母
trimws
标准化列数，以便以后可以合并（所有数据集都以相同的顺序具有相同的前11列，并且我对其他集合中的所有列都不感兴趣）

为此，我创建了这个功能：

library(stringr)
fixNames <- function(x){
    if(length(grep(",", x[1])) > 0){
    names <- as.character(x)
    names <- str_split(names, ",", simplify = TRUE)
    newNames <- paste(names[,2], names[,1], sep = " ")
    newNames <- tolower(newNames)
    newNames <- gsub("[.]", "", names)
    newNames <- gsub(" *\\b[[:alpha:]]{1}\\b *", " ", names)
    newNames <- gsub("\\s{2,}", " ", names)
    newNames <- gsub("*\\bii\\b", "", names)
    newNames <- gsub("*\\biii\\b", "", names)
    newNames <- gsub("*\\bjr\\b", "", names)
    newNames <- trimws(newNames, which="both")
    x <- newNames
    } else{
    names <- as.character(x)
    newNames <- tolower(names)
    newNames <- gsub("[.]", "", names)
    newNames <- gsub(" *\\b[[:alpha:]]{1}\\b *", " ", names)
    newNames <- gsub("\\s{2,}", " ", names)
    newNames <- gsub("*\\bii\\b", "", names)
    newNames <- gsub("*\\biii\\b", "", names)
    newNames <- gsub("*\\bjr\\b", "", names)
    newNames <- trimws(newNames, which="both")}
    x <- newNames
}

然后我用一系列for循环实现该函数

## rename all employee.name columns and make them character vectors
for(i in 1:length(files)){
    ifelse(exists(files[i]) == TRUE, dinger <- get(files[i], envir = .GlobalEnv), dinger <- data.frame(matrix(NA, nrow = 0, ncol = 11)))
    dinger[,1] <- as.character(dinger[,1])
    colnames(dinger) <- c("employee.name","job.title", "base.pay", "overtime.pay", "other.pay", "total.benefits", "total.pay","total.pay.benefits", "year", "notes", "jurisdiction.name")
    dinger <- dinger[,c(1:11)]
    assign(files[i], dinger)
}

## fix names
for(i in 1:length(files)){
        index <- files[i] 
        dinger <- get(index, envir = .GlobalEnv)
        names <- as.data.frame(as.character(dinger$employee.name))
        dinger$employee.name <- apply(names, 2 fixNames)
        assign(files[i], dinger)
}

当我这样做时，它会抛出这样的错误：

$<-.data.frame中的错误（*tmp*，“employee.name”，值= c（“Till”，：替换有384行，数据有192

现在我知道这意味着在函数拆分名称并重新排序后，它们不会将它们重新组合在一起。问题是，为什么？它与for循环有关吗？

字符串正则化函数在R中的for循环中不起作用

0 个答案: