Question

我正在分析5年内存储在单独月度文件中的数据。预期各个数据集的每个数据集具有不同数量和行（案例）的混合，但应具有相同的变量和变量名称。但是，我从他们看来有些人不知道，并且在将所有数据集合并到一个数据框之前我将不得不操纵它们。是否有任何方法可以自动识别这些过程，特别是记录我所做的更改？

例如，假设我有以下4个数据集：

df1 <- data.frame(id = c(1, 2, 3), age = c(10, 20, 30), color = 
       c("green", "purple", "gold"))
df2 <- data.frame(id = c(1, 2, 3, 4), age = c(10, 20, 30, 40), color = 
       c("green", "purple", "gold", "blue"))
df3 <- data.frame(id = c(1, 3, 4), age = c(10, 30, 40), colour = 
       c("green", "gold", "blue"), kids = c(0, 1, 1))
df4 <- data.frame(id = c(1, 2, 4), color = c("green", "purple", 
       "blue"), age = c(10, 20, 40))

所有4个数据集应该看起来像df1和df2，但是df3对于一个变量（“颜色”）和额外变量（“孩子”）有不同的拼写，而df4则反转两个变量的顺序（“年龄”和“颜色”）。

我可以直观地检查列号和名称以识别问题，如下所示：

df.list <- list(df1,df2,df3,df4)
df.cols <- lapply(df.list, function(x) ncol(x))
df.names <- lapply(df.list, function(x) names(x))

输出

> df.cols
[[1]]
[1] 3

[[2]]
[1] 3

[[3]]
[1] 4

[[4]]
[1] 3

> df.names
[[1]]
[1] "id"    "age"   "color"

[[2]]
[1] "id"    "age"   "color"

[[3]]
[1] "id"     "age"    "colour" "kids"  

[[4]]
[1] "id"    "color" "age"

但我有更多的变量和数据集。有没有更有效的方法来做到这一点，自动和可重复地识别不匹配？我只找到了比较各对数据集的方法。感谢您提供任何帮助或建议！

Answer 1

一种简单的方法可以

dflist <- mget(paste0("df", 1:4))

nametest <- sapply(dflist,function(x){names(x) %in% names(df1)})
$df1
[1] TRUE TRUE TRUE

$df2
[1] TRUE TRUE TRUE

$df3
[1]  TRUE  TRUE FALSE FALSE

$df4
[1] TRUE TRUE TRUE

然后只看到有问题的那些

quickview <- unlist(sapply(nametest,function(x){if(!all(x))"name pb"}))
      df3 
"name pb"

这样您可以同时验证名称和列（带有其他名称的附加列将在nametest中显示为FALSE）。如果您想要错误列的索引：

index <- sapply(dflist,function(x){
  which(!names(x) %in% names(df1))})

$df1
integer(0)

$df2
integer(0)

$df3
[1] 3 4

$df4
integer(0)

如果你想要列的名字：

wrongnames <- sapply(dflist,function(x){
  indx <- which(!names(x) %in% names(df1))
  names(x)[indx]
  })

比较R

1 个答案: