我从json文件导入了相当混乱的数据,它看起来像这样:
raw_df <- data.frame(text = c(paste0('text', 1:3), '---------- OUTCOME LINE ----------', paste0('text', 4:6), '---------- OUTCOME LINE ----------'),
demand = c('cat1', rep('', 2), 'info', 'cat2', rep('', 2), 'info2')
)
raw_df
text demand
1 text1 cat1
2 text2
3 text3
4 ---------- OUTCOME LINE ---------- info
5 text4 cat2
6 text5
7 text6
8 ---------- OUTCOME LINE ---------- info2
(BTW,---------- OUTCOME LINE ----------
是text
列中的实际字符串)
我想整理一下,以便它具有以下格式:
final_df
text demand outcome
1 text1. text2. text3. cat1 info1
2 text4. text5. text6. cat2 info2
最快捷,最有效的方法是什么?谢谢你的提示。
答案 0 :(得分:2)
A dplyr
&amp; tidyr
解决方案:
raw_df %>%
mutate(outcome = demand,
demand = replace(demand, demand == '', NA),
outcome = replace(outcome, outcome == '', NA),
outcome = gsub("^cat\\d+", NA, outcome)) %>%
fill(demand) %>%
fill(outcome, .direction = "up") %>%
filter(!grepl("-----", text)) %>%
group_by(demand, outcome) %>%
summarize(text = gsub(",", "\\.", toString(text))) %>%
select(text, everything())
根据需要修正要显示的文字,替换NA
s的空白,并准备结果列。
fill
默认向下方向的demand
列,以及向上方向的结果列。
filter
根据其连字符排除----- OUTCOME LINE ------
。
为group_concat
列生成text
,然后将默认,
与.
交换出来。
select
将列添加到所需的序列中。
# A tibble: 2 x 3 # Groups: demand [2] text demand outcome <chr> <fctr> <chr> 1 text1. text2. text3 cat1 info 2 text4. text5. text6 cat2 info2
答案 1 :(得分:1)
这里我们根据'text'列中-
的存在使用'grepl'创建一个逻辑索引,将'raw_df'子集删除这些行,通过获取累积总和来创建一个分组列'将aggregate
替换为paste
并使用''
填充非{ind}',NA
至na.locf
'text'列按'demand'分组NA之前的值。然后,通过使用'indx'
indx <- grepl("-", raw_df$text)
transform(aggregate(text~demand, transform(raw_df[!indx,],
demand = zoo::na.locf(replace(demand, demand=="", NA))), toString),
outcome = raw_df$demand[indx])
# demand text outcome
#1 cat1 text1, text2, text3 info
#2 cat2 text4, text5, text6 info2
或者可以使用data.table
library(data.table)
setDT(raw_df)[demand == "", demand := NA][!indx, .(text= paste(text, collapse='. ')),
.(demand = zoo::na.locf(demand))][, outcome := raw_df$demand[indx]][]