Question

我正在创建一个图表，将每个国家的预期寿命和州退休金年龄相关联。我曾使用网络抓取包从2个Wikipedia页面抓取2个数据集。

其中一个数据集包含“国家”列，另一个数据集包含“国家和地区”列。这是一个问题，因为两个数据集都需要合并，但是由于“国家和地区”列中的区域而导致不平衡。

为解决此问题，我需要在合并数据集之前删除“国家和地区”中的区域，以使其平衡。我需要使用“国家/地区”从“国家/地区”中查找不匹配的数据，将其删除，然后使用2个数据集创建一个数据框。

library(xml2)
library(rvest)
library(stringr)

urlLifeExpectancy <- "https://en.wikipedia.org/wiki/List_of_countries_by_life_expectancy"

extractedLifeData = urlLifeExpectancy %>%
  read_html() %>%
  html_node(xpath = '//*[@id="mw-content-text"]/div/table[1]') %>%
  html_table(fill = TRUE)

urlPensionAge <- "https://en.wikipedia.org/wiki/Retirement_age#Retirement_age_by_country"

extractedPensionData = urlPensionAge %>%
  read_html() %>%
  html_node(xpath = '//*[@id="mw-content-text"]/div/table[3]') %>%
  html_table(fill = TRUE)

Answer 1

我们可以通过从两个数据集中选择所需的列来使用merge

merge(extractedLifeData[c(1, 5, 7)], extractedPensionData[1:3], 
       by.y = "Country", by.x = "Country and regions")

或使用inner_join中的dplyr

library(dplyr)

extractedLifeData %>% select(1, 5, 7) %>%
     inner_join(extractedPensionData %>% select(1:3), 
                by = c("Country and regions" = "Country"))

Answer 2

我们可以使用data.table中的加入

library(data.table)
setDT(extractedLifeData[c(1, 5, 7)][extractedPensionDate[1:3],
       on = .(Country = `Country and regions`)]

如何从两个数据帧中删除不匹配的数据，以在R中创建一个新的数据帧

2 个答案: