问如何将高度测量转换为统一格式？
EN

Stack Overflow用户

提问于 2021-10-06 04:04:03

回答 1查看 40关注 0票数 0

我有一组数据，其中包括许多高度测量作为字符变量。有些写成“5英尺7"，有些写成”170厘米“，有些写成”1.7米“，有些写成"170”。

我想更改它们，使它们都显示为没有度量单位的数值变量(例如，仅170 )。

format

character

height

numeric

回答 1

Stack Overflow用户

发布于 2021-10-06 13:13:37

数据角力是一种奇妙的乐趣，涉及到边缘情况的相当多的跌跌撞撞和推特：

heights <- c("5ft 7", "170cm", "1.7m", "6' 7", "150", "5' 2\"", "5ft8")
heights
[1] "5ft 7"  "170cm"  "1.7m"   "6' 7"   "150"    "5' 2\"" "5ft8"

但也提供了探索许多工具的机会。用一种统一的度量，比如说厘米，索引我们得到的符号：

b4meas <-gsub('[0-9\\. ]', '', heights)
b4meas  
[1] "ft"  "cm"  "m"   "'"   ""    "'\"" "ft"

gsub中的模式`0-9。‘是说给我所有不是数字、点或空格的东西。我们可能想要为这些不同的情况建立索引以进行转换：

which(b4meas== 'ft')
[1] 1 7
which(b4meas== '')
[1] 5

以及对数字的探索：

char_num <- gsub('[a-z\']','', heights, perl=TRUE)
char_num
[1] "5 7"   "170"   "1.7"   "6 7"   "150"   "5 2\"" "58"
> which(nchar(char_num) == 2 & b4meas=='ft')
[1] 7
> which(nchar(char_num) == 3 & b4meas=='ft')
[1] 1
> which(nchar(char_num) == 3 & b4meas=="'")
[1] 4
> which(b4meas=="'\"")
[1] 6

所以我们的异类脚标记法，也可以是索引。和我们不需要转换的基于cm的度量：

which(nchar(char_num) == 3 & b4meas=="'" | b4meas == 'cm')
[1] 2 4

那么，让我们看看我们在这里做了什么：

split_char <- strsplit(char_num, ' ')
> split_char
[[1]]
[1] "5" "7"

[[2]]
[1] "170"

[[3]]
[1] "1.7"

[[4]]
[1] "6" "7"

[[5]]
[1] "150"

[[6]]
[1] "5"   "2\""

[[7]]
[1] "58"

因此，[2]和[5]可以单独使用，也可以直接写入另一列而不进行转换。[3] * 100，[1]和[4]可以计算，[6]需要进一步清理，[7]需要额外拆分。

sum(as.numeric(split_char[[1]][1])*12 * 2.54, as.numeric(split_char[[1]][2]) * 2.54)
[1] 170.18
# for [[6]]
sum(as.numeric(split_char[[6]][1]) * 12 * 2.54, eval(as.numeric(gsub('\\"', '', split_char[[6]][2])) * 2.54))
[1] 157.48
# either `eval` or `force` can be used to avoid
# Error in gsub( non-numeric argument to binary operator
# for [[7]]
sum(as.numeric(strsplit(split_char[[7]], '')[[1]][1])*12 *2.54, as.numeric(strsplit(split_char[[7]],'')[[1]][2]) * 2.54)
[1] 172.72

好的，我们可以转换，但是等等，我们有一个data.frame！所以，我将使用我们的索引和转换来做it...one希望...

> physio_df <- data.frame(heights)
> physio_df[['heights_cm']] <- NA_real_ # add column to convert to
> physio_df
  heights heights_cm
1   5ft 7         NA
2   170cm         NA
3    1.7m         NA
4    6' 7         NA
5     150         NA
6   5' 2"         NA
7    5ft8         NA

这是一个奇迹，我们的一些案例仅仅通过data.frame就被简化了。但这也意味着重新计算b4meas以反映这一点将很有用(因为您已经在data.frame中，所以不需要这样做)。

# [[5]] just take to numeric
physio_df$heights_cm[which(nchar(physio_df$heights) ==3)] <- physio_df$heights[as.numeric(which(nchar(physio_df$heights) ==3))] 
#[[7]] 
physio_df$heights_cm[b4meas== 'm'] <- as.numeric(char_num[b4meas == 'm'])* 100
b4meas2 <- gsub('[0-9\\. ]', '', physio_df$heights)
> b4meas2
[1] "ft"  "cm"  "m"   "'"   ""    "'\"" "ft"
physio_df$heights[[6]]
[1] "5' 2\""

哦，所以这实际上不是一个奇迹，b4meas仍然是一个有效的索引。索引的伟大之处在于，如果你有多个符合标准的案例，所有这些案例都可以解决。

#let's make an index for [[1]] & [[4]] but not [[6]]
one_four_type <- setdiff(which(sapply(split_char, function(x) length(x) == 2)), which(b4meas == "'\""))
# and use in a `for` loop, should `sapply`, data has killed brain
 for(i in 1:length(one_four_type)){
+ physio_df$heights_cm[one_four_type[i]] <-
+ sum(as.numeric(split_char[[one_four_type[i]]][1])*12 * 2.54,
+ as.numeric(split_char[[one_four_type[i]]][2]) * 2.54)
+ }
physio_df
  heights heights_cm
1   5ft 7     170.18
2   170cm       <NA>
3    1.7m        170
4    6' 7     200.66
5     150        150
6   5' 2"       <NA>
7    5ft8       <NA>
# physio_df$heights_cm[2]
physio_df$heights_cm[which(b4meas=='cm')] <- as.numeric(char_num[b4meas=='cm'])
# physio_df$heights_cm[6]
> physio_df$heights_cm[which(b4meas == "'\"")] <-
+ sum(as.numeric(split_char[[6]][1]) * 12 * 2.54, eval(as.numeric(gsub('\\"', '', split_char[[6]][2])) * 2.54))
# physio_df$heights_cm[7]
physio_df$heights_cm[7] <- sum(as.numeric(strsplit(split_char[[7]], '')[[1]][1])*12 *2.54, as.numeric(strsplit(split_char[[7]],'')[[1]][2]) * 2.54)
> physio_df
  heights heights_cm
1   5ft 7     170.18
2   170cm        170
3    1.7m        170
4    6' 7     200.66
5     150        150
6   5' 2"     157.48
7    5ft8     172.72