首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >问答首页 >对混合字符和符号的R数据集中的列进行预处理

对混合字符和符号的R数据集中的列进行预处理
EN

Stack Overflow用户
提问于 2020-12-05 18:37:07
回答 1查看 18关注 0票数 0

我在一个数据集中有两列,它们都是因子。我想根据这些值对结果进行分组。但在此之前,我需要先清理数据集。我检查了如何删除美元符号、空行以及逗号的解决方案。但我不知道如何清理整个数据集,以满足下面提到的所有这些要求:

原始数据集df

代码语言:javascript
运行
复制
        Experience   Salary

 2      5-10 years   $30,000-39,999
 3      5-10 years   100,000-124,999
 4      10-20 years  15,000-19,999
 5      5-10 years   125,000-149,999
 6      3-5 years   
 7      < 1 years    <$999             
 8      20+ years    >200,000  

首先,我想删除空行(我设法做到了,没问题)。对于Experience列,删除年份,只保留连字符后面的数字,例如5- 10年转换为10。少于1显示为1。对于薪资行,我想删除美元、逗号、">“和"<”符号。只保留连字符部分后面的数字,例如$30,000-39,999转换为39999,"<$ 999“更改为999

预期输出:

代码语言:javascript
运行
复制
         Experience   Salary 

  2      10           39999
  3      10          124999
  4      20           19999
  5      10          149999
  6      1              999             
  7      20          200000  

我应该如何清理数据集?有什么建议吗?谢谢!

EN

回答 1

Stack Overflow用户

回答已采纳

发布于 2020-12-05 18:45:48

您可以使用一些正则表达式来执行此数据清理过程。

代码语言:javascript
运行
复制
library(dplyr)

df %>%
  filter(Experience != '' & Salary != '') %>%
  mutate(Experience = as.numeric(sub('.*?(\\d+)\\+?\\s*years', '\\1', Experience)),
         Salary = as.numeric(gsub('.*-|[,<$>]', '', Salary)))

#  Experience Salary
#1         10  39999
#2         10 124999
#3         20  19999
#4         10 149999
#5          1    999
#6         20 200000

要提取Experience,逻辑是提取最后一个数字,后面跟一个可选的+,0个或更多空格,然后是'years'

为了得到Salary,我们删除了所有的东西,直到'-'和额外的符号,比如,<$>

票数 1
EN
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接:

https://stackoverflow.com/questions/65156022

复制
相关文章

相似问题

领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档