重命名数据框中列中的字符变量 - R

Posted 2023-03-11

【中文标题】重命名数据框中列中的字符变量 - R

【英文标题】：Renaming character variables in a column in data frame - R

【发布时间】：2018-11-09 22:11:39

【问题描述】：

我有一个数据框，其中包含一个名为 ProjectSubject 的列。数据框大约有 1,000,000 行长。

在 ProjectSubject 列中，我有很多不同的字符串。这是一个例子：

>unique(unlist(projectdf$ProjectSubject))

[1] "Applied Learning"                           "Applied Learning, Literacy 
& Language"     
[3] "Literacy & Language"                        "Special Needs"                             
[5] "Literacy & Language, History & Civics"      "Math & Science"                            
[7] "History & Civics, Math & Science"           "Literacy & Language, 
Special Needs"        
[9] "Applied Learning, Special Needs"            "Health & Sports, Special 
Needs"            
[11] "Math & Science, Literacy & Language"        "Literacy & Language, Math 
& Science"       
[13] "Literacy & Language, Music & The Arts"      "Math & Science, Special 
Needs"             
[15] "Health & Sports"                            "Music & The Arts"                          
[17] "Math & Science, Applied Learning"           "Literacy & Language, 
Applied Learning"     
[19] "Applied Learning, Music & The Arts"         "History & Civics, 
Literacy & Language"     
[21] "Applied Learning, Math & Science"           "Health & Sports, Math & 
Science"           
[23] "Applied Learning, Health & Sports"          "History & Civics"                          
[25] "History & Civics, Music & The Arts"         "Math & Science, History & 
Civics"          
[27] "Math & Science, Music & The Arts"           "Special Needs, Music & 
The Arts"           
[29] "History & Civics, Applied Learning"         "History & Civics, Special 
Needs"           

我需要一种简洁、非手动的方式来遍历数据框中的整个列，并用不同的字符串替换这些字符串。例如，我想将“Applied Learning, Special Needs”替换为“Special Needs”，或者类似地将“Applied Learning, Math & Science”替换为“Math”。

我有大约 50 个唯一字符串，很像上面给出的示例代码，我想将其减少到大约 10 个唯一字符串。最好有一种方法，我不必为 50 个字符串中的每一个手动键入一行代码就不必这样做。

【参考方案1】：

这是我认为不错的一种方式：

# first create some fake data that approximates your situation
set.seed(6933)

fruit_words <- c("apple", "orange", "banana", "pappels", "orong", "bernaner")

dat <- data.frame(fruit = sample(fruit_words, size=10, replace=TRUE), 
                  stringsAsFactors=FALSE)

创建一个表，将dat$fruit 的每个唯一值与您要替换它的所需类别/字符串相关联：

fruit_lkup <- c(apple="appl", orange="orng", banana="bnna", 
                pappels="appl", orong="orng", bernaner="bnna")

然后利用dat$fruit 拥有fruit_lkup 的名称这一事实

dat$fruit_clean <- as.character(fruit_lkup[dat$fruit])

结果如下：

print(dat)
##       fruit   fruit_clean
## 1   pappels        appl
## 2     orong        orng
## 3     apple        appl
## 4    banana        bnna
## 5     apple        appl
## 6  bernaner        bnna
## 7  bernaner        bnna
## 8   pappels        appl
## 9  bernaner        bnna
## 10 bernaner        bnna

所以实际上大部分工作都在于创建用于查找值的对象 -- fruit_lkup。

开始的一种方法是使用dput(unique(dat$fruit))，然后将其粘贴到脚本中，然后开始提供要替换的值。

如果唯一值太多，您也可以将唯一值写入 csv，然后在它们之后手动添加要替换的值。然后你可以读入（现在）两列 csv 作为数据框（比如lookup_df），并使用fruit_lkup <- setNames(lookup_df$new_values, lookup_df$old_values) 创建fruit_lkup

我多次发现这种方法非常方便，基本上与您描述的情况完全相同。

希望对你有帮助~~

【讨论】：

我发现这个答案是最好的。这很简单，不需要 tidyverse 或其他依赖项。

@Blacklivesmatter 很高兴听到，这就是意图！基础 R 被低估了：p

【参考方案2】：

如果您已经知道要更改哪些字符串，一种解决方案可能是使用gsub。

projectdf$ProjectSubject <- gsub("Applied Learning, Special Needs", "Special Needs", projectdf$ProjectSubject)

这会将字符串“Applied Learning, Special Needs”更改为“Special Needs”。调用 50 个gsub 可能会很乏味，因此一些聪明的正则表达式可能有助于解决这个问题。例如，如果任何字符串都包含“Special Needs”，改为“Special Needs”：

projectdf$ProjectSubject <- gsub("^.*?Special Needs", "Special Needs", projectdf$ProjectSubject)