我的大部分时间花在合并国家,自治市,名称或政党专栏的两个数据框架上。现在,它是refinr
package,一个OpenRefine的R端口,派上用场。只有我还没弄清楚如何比较两个“相同”列并命名字符串,就像我在一个向量上使用refinr
一样。我不是那种R经验,所以这听起来有点模糊。也许我的例子让事情变得更加清晰。
library(tidyverse)
library(refinr)
# I would like to add the values (and the right name's) of this example df...
df1 <- tribble(
~uid, ~name, ~value,
"A", "Red", 13,
"A", "violet", 145,
"B", "Blue", 3,
"B", "yellow", 56,
"C", "yellow-purple", 789,
"C", "green", 17
)
# ...to the following df
df2 <- tribble(
~uid, ~name,
"A", "red",
"B", "blu",
"C", "YellowPurple",
"C", "green"
)
# The following code of course produces NA values
df3 <- left_join(df1, df2, by = c("uid", "name"))
# While the following is the desired outcome
# A tibble: 4 x 3
uid name value
<chr> <chr> <dbl>
1 A Red 13
2 B Blue 3
3 C yellow-purple 789
4 C green 17
key_collision_merge()
和n_gram_merge()
处理单个向量中的字符串。我的问题是,我可以比较和更改两列之间的字符串而不是一列吗?
如果可以的话,那将给我安全这么多时间!
提前致谢。
答案 0 :(得分:1)
我不确定这是read_excel("FileName", sheet="nameofsheet")
的最佳用法,它主要用于协调单个列中的单词拼写。你想做什么看起来像一个模糊连接,并有一个R package for that。使用的一个例子可能是:
refinr
我使用了soundex算法,但还有其他方法,都基于stringdist package。
答案 1 :(得分:0)
你可以尝试
library(refinr)
library(tidyverse)
df1 %>%
bind_rows(df2, .id = "id") %>%
mutate(key=key_collision_merge(name)) %>%
split(.$id) %>%
inner_join(x=select(.[[1]],-id), y=select(.[[2]], uid, key), by=c("uid", "key"))
# A tibble: 3 x 4
uid name value key
<chr> <chr> <dbl> <chr>
1 A Red 13. Red
2 C yellow-purple 789. YellowPurple
3 C green 17. green
但"blu"
函数无法将"blue"
识别为refiner
。因此,您可以通过添加此行mutate(name=gsub("blu","blue",name))