我正在尝试使用函数式编程方法组合多个电子表格(大约20个(。每个电子表格都包含一年的数据。它们很混乱,列没有命名,或者同一列的名称在电子表格中发生变化。
我最初对每个电子表格单独进行了所有的清理,但我想学习如何使用函数编程来进行清理,使其更具可复制性。
我的方法是构建一个正则表达式来匹配指定列的所有不同名称,然后使用自定义函数/regex重命名该列。我想我可以使用map_dfr
将此函数应用于所有不同的电子表格,以生成最终的数据帧。
然而,我遇到了两个问题:
-
R中的正则表达式引擎似乎打开了全局参数,无法关闭它。我想按顺序匹配正则表达式中的不同可能性,并在它找到第一个匹配时停止,而不是所有匹配。例如,在我导入电子表格后,有时会有多个未定义的列,它们的名称为
...1
等。我只想匹配第一个实例。我似乎不知道是否可以禁用全局参数,或者用一种更聪明的方式编写正则表达式,使其在第一次匹配后停止。还有没有其他更好的方法来解决这个问题? -
当我传递我的自定义函数时,它似乎在单个数据帧上运行得很好,我从
map_df
中得到了一个错误,我不太确定为什么。
我在下面制作了一个最低限度的reprex,我认为这突出了问题。
所有的想法都受到了极大的欢迎,包括其他方法,因为这肯定是人们遇到的一个非常常见的问题。谢谢
library(tidyverse)
year_1 <- tribble(
~`...1`, ~admissions,
"Hospital 1", 10,
"Hospital 2", 100,
"hospital 3", 200
)
year_2 <- tribble(
~provider_code, ~`...2`, ~admissions,
"H1", "Hospital 1", 20,
"H2", "Hospital 2", 400,
"H3", "hospital 3", 500
)
year_3 <- tribble(
~"Hospital provider code", ~"Commissioning region/Provider", ~admissions,
"H1", "Hospital 1", 350,
"H2", "Hospital 2", 350,
"H3", "hospital 3", 550
)
clean_up_area_column_name <- function(x){
rename({{x}}, area = matches("\.{3}[0-9]|commissioning region|hospital provider", ignore.case = TRUE))
}
clean_up_area_column_name(year_1)
#> # A tibble: 3 × 2
#> area admissions
#> <chr> <dbl>
#> 1 Hospital 1 10
#> 2 Hospital 2 100
#> 3 hospital 3 200
clean_up_area_column_name(year_2)
#> # A tibble: 3 × 3
#> provider_code area admissions
#> <chr> <chr> <dbl>
#> 1 H1 Hospital 1 20
#> 2 H2 Hospital 2 400
#> 3 H3 hospital 3 500
clean_up_area_column_name(year_3)
#> # A tibble: 3 × 3
#> area1 area2 admissions
#> <chr> <chr> <dbl>
#> 1 H1 Hospital 1 350
#> 2 H2 Hospital 2 350
#> 3 H3 hospital 3 550
test_df <- map_dfr(c(year_1, year_2, year_3), clean_up_area_column_name)
#> Error in UseMethod("rename"): no applicable method for 'rename' applied to an object of class "character"
创建于2022-08-08由reprex包(v2.0.1(
向map
传递多个数据帧需要list
test_df <- map_dfr(list(year_1, year_2, year_3), clean_up_area_column_name)
# A tibble: 9 x 5
area admissions provider_code area1 area2
<chr> <dbl> <chr> <chr> <chr>
1 Hospital 1 10 NA NA NA
2 Hospital 2 100 NA NA NA
3 hospital 3 200 NA NA NA
4 Hospital 1 20 H1 NA NA
5 Hospital 2 400 H2 NA NA
6 hospital 3 500 H3 NA NA
7 NA 350 NA H1 Hospital 1
8 NA 350 NA H2 Hospital 2
9 NA 550 NA H3 hospital 3
如果您只想像您所说的那样获取第一个实例,那么下面对函数的调整应该会起作用。重命名任何";区域1";至";区域";,则取消选择剩余的";区域";带有尾随数字的列名(area2、area3等(。
clean_up_area_column_name <- function(x){
rename({{x}},
area = matches("\.{3}[0-9]|commissioning region|hospital provider")) %>%
rename(., area = matches("area1")) %>%
select(-any_of(matches("area\d")))
}
我不确定您期望year_3返回什么,因为您的正则表达式似乎与provider_code
和area
:匹配
map_dfr(list(year_1, year_2, year_3), clean_up_area_column_name)
# A tibble: 9 × 3
area admissions provider_code
<chr> <dbl> <chr>
1 Hospital 1 10 NA
2 Hospital 2 100 NA
3 hospital 3 200 NA
4 Hospital 1 20 H1
5 Hospital 2 400 H2
6 hospital 3 500 H3
7 H1 350 NA
8 H2 350 NA
9 H3 550 NA