我有一列杂乱的工资数据。我想知道是否有一个包具有专门用于清理这种混乱数据的功能。我的数据看起来像:
data.frame(salary = c("40,000-60,000", "40-80K", "$100,000",
"$70/hr", "Between $65-80/hour", "$100k",
"50-60,000 a year", "90"))
#> salary
#> 1 40,000-60,000
#> 2 40-80K
#> 3 $100,000
#> 4 $70/hr
#> 5 Between $65-80/hour
#> 6 $100k
#> 7 50-60,000 a year
#> 8 90
由reprex包(v0.3.0(创建于2020-12-16
我希望clean列是年度级别的数字。我知道如何手动清理此列,我只是想知道是否有其他包可以帮助(除了readr::parse_number()
(
预期输出如下所示:
#> output
#> 1 50000
#> 2 60000
#> 3 100000
#> 4 145600
#> 5 150800
#> 6 100000
#> 7 55000
#> 8 90000
以下是您可以尝试的一些第一步。我定义了两个函数:一个用三个零代替k
或K
。如果一个数字以千表示,而另一个数字不是,则另一个会添加前导零。
rem_k <- function(x) {
sub("(\d)[kK]", "\1,000", x)
}
add_zero <- function(x) {
ifelse(grepl("[1-9]0\-\d[0,]{2,}", x), sub("([1-9]0)(\-\d[0,]{2,})", "\1,000\2", x), x)
}
最后,我删除了所有非必要的字符:
df %>%
mutate(salary2 = gsub("[^0-9,\-]", "", add_zero(rem_k(salary))))
salary salary2
1 40,000-60,000 40,000-60,000
2 40-80K 40,000-80,000
3 $100,000 100,000
4 $70/hr 70
5 Between $65-80/hour 65-80
6 $100k 100,000
7 50-60,000 a year 50,000-60,000
8 90 90
一个选项是创建一个仅包含数字和-
的列"salary1",然后separate
将其按-
、mutate
将这些列的值分成两列,基于原始列中的子字符串匹配,即K|k
或hr|hour
,即将其与1000相乘(K|k
(,或对于每小时,基于一年的小时数,用CCD_ 11得到这些列的CCD_
library(dplyr)
library(stringr)
library(tidyr)
df1 %>%
mutate(salary1 = str_remove_all(salary, '[^0-9-]+')) %>%
separate(salary1, into = c('salary1', 'salary2'),
convert = TRUE, extra = 'drop') %>%
mutate(across(c(salary1, salary2),
~ case_when(str_detect(salary, "[Kk]") ~ . * 1000,
str_detect(salary, 'hr|hour') ~ . * 40 * 4 * 12,
nchar(.) < 5 ~ as.numeric(str_pad(., pad = '0',
side = 'right', width = 5)),
TRUE ~ as.numeric(.)))) %>%
transmute(output = rowMeans(select(., salary1, salary2), na.rm = TRUE))
-输出
# output
#1 50000
#2 60000
#3 100000
#4 134400
#5 139200
#6 100000
#7 55000
#8 90000