使用R清理Excel表格中的数据

Question

我在Excel工作表中有数据，我需要一种方法来清理它。我想删除不一致的值，如分支机构名称指定为(计算机科学与工程，C.S.E，C.S，计算机科学)。那么，我如何才能将所有这些都整合到一个符号中呢？

Answer 1

car包有一个recode函数。请参阅它的帮助页面以获取工作示例。

事实上，可以认为这应该是一个封闭的问题：

Why is recode in R not changing the original values?

How to recode a variable to numeric in R?

Recode/relevel data.frame factors with different levels

还有一些更容易通过搜索识别的问题：

编辑：我非常喜欢Marek的评论，所以我决定做一个实现它的函数。(对我来说，因素一直是R陷阱之一，他的方法似乎非常直观。)该函数被设计为接受字符或因子类输入，并返回一个分组结果，该结果也划分为"all_others“级别。

my_recode <- function(fac, levslist){ nfac <- factor(fac);
    inlevs <- levels(nfac);
    othrlevs <- inlevs[ !inlevs %in% unlist(levslist) ]
      # levslist of the form ::::    list(
      #     animal = c("cow", "pig"),
      #     bird = c("eagle", "pigeon") )
 levels(nfac)<- c(levslist, all_others =othrlevs); nfac}

 df <- data.frame(name = c('cow','pig','eagle','pigeon', "zebra"), 
              stringsAsFactors = FALSE)
 df$type <- my_recode(df$name, list(
     animal = c("cow", "pig"),
     bird = c("eagle", "pigeon") ) )
 df
#-----------
    name       type
1    cow     animal
2    pig     animal
3  eagle       bird
4 pigeon       bird
5  zebra all_others

Answer 2

您想要一种清理数据的方法，但您指定了R。这是有原因的吗？(自动化、远程控制控制台等...)

如果没有，我建议使用Open Refine。这是一个伟大的工具，完全这项工作。它是而不是托管的，你可以安全地下载它并在你的数据集上运行(xls/xlsx工作良好)，然后你创建一个文本facet并分组离开。

它使用先进的算法(甚至给你一个选择)，真的很有帮助。我在短时间内清理了大量数据。

official web site上的视频很有用。

Answer 3

对于这些类型的问题，没有一刀切的解决方案。据我所知，您的分支机构名称的标签不一致。

您可能希望看到C.S.E.，但您实际拥有的是CS、Computer Science、CSE等，可能还有许多其他分支机构名称不一致。

我要做的第一件事是在文件中获得一个唯一的Branch名称列表。我将提供一个使用letters()的示例，这样您就可以理解我的意思

your_df <- data.frame(ID=1:2000)
your_df$BranchNames <- sample(letters,2000, replace=T)
your_df$BranchNames <- as.character(your_df$BranchNames) # only if it's a factor
unique.names <- sort(unique(your_df$BranchNames))

现在我们有了一个唯一值的排序列表，我们可以创建一个记录代码的列表：

假设我们想要将A到G重命名为A

your_df$BranchNames[your_df$BranchNames %in% unique.names[1:7]] <- "A"

您可以重复上面的过程，根据需要消除或分组唯一的名称。