Question

执行此read.table时，有一些值无法正确导入：

hs.industry <- read.table("https://download.bls.gov/pub/time.series/hs/hs.industry", header = TRUE, fill = TRUE, sep = "\t", quote = "", stringsAsFactors = FALSE)

具体而言，有一些值，其中industry_code和industry_name作为行业代码列中的单个值连接（不确定原因）。鉴于每个industry_code都是4位数，我的分裂和纠正方法是：

for (i in 1:nrow(hs.industry)) {
  if (isTRUE(nchar(hs.industry$industry_code[i]) > 4)) {
    hs.industry$industry_name[i] <- gsub("[[:digit:]]","",hs.industry$industry_code[i])
    hs.industry$industry_code[i] <- gsub("[^0-9]", "",hs.industry$industry_code[i])
  }
}

我觉得这非常华丽，但我不确定哪种方法会更好。

谢谢！

Answer 1

问题是第29行和第30行（第28行和第29行，如果我们不计算标题）会出现格式错误。它们使用4个空格而不是正确的制表符。需要一些额外的数据清理。

使用readLines读取原始文本，更正格式错误，然后读入已清理的表格：

# read in each line of the file as a list of character elements
hs.industry <- readLines('https://download.bls.gov/pub/time.series/hs/hs.industry')

# replace any instances of 4 spaces with a tab character
hs.industry <- gsub('\\W{4,}', '\t', hs.industry)

# collapse together the list, with each line separated by a return character (\n)
hs.industry <- paste(hs.industry, collapse = '\n')

# read in the new table
hs.industry <- read.table(text = hs.industry, sep = '\t', header = T, quote = '')

Answer 2

您不必循环遍历每个实例，而只识别那些有问题的条目，并仅gsub这些条目：

replace_indx <- which(nchar(hs.industry$industry_code) > 4)
hs.industry$industry_name[replace_indx] <- gsub("\\d+\\s+", "", hs.industry$industry_code[replace_indx])
hs.industry$industry_code[replace_indx] <- gsub("\\D+", "", hs.industry$industry_code[replace_indx])

我还使用"\\d+\\s+"来改进字符串替换，这里我也替换了空格：

gsub("[[:digit:]]","",hs.industry$industry_code[replace_indx])
# [1] "    Dimension stone"          "    Crushed and broken stone"

gsub("\\d+\\s+", "", hs.industry$industry_code[replace_indx])
# [1] "Dimension stone"          "Crushed and broken stone"

是否有更有效的方法来拆分列

2 个答案: