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
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:
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!
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。
library(dplyr)
df %>%
filter(Experience != '' & Salary != '') %>%
mutate(Experience = as.numeric(sub('.*?(\\d+)\\+?\\s*years', '\\1', Experience)),
Salary = as.numeric(gsub('.*-|[,<$>]', '', Salary)))
# Experience Salary
#1 10 39999
#2 10 124999
#3 20 19999
#4 10 149999
#5 1 999
#6 20 200000
要提取Experience
,逻辑是提取最后一个数字,后面跟一个可选的+
,0个或更多空格,然后是'years'
。
为了得到Salary
,我们删除了所有的东西,直到'-'
和额外的符号,比如,<$>
。
https://stackoverflow.com/questions/65156022
复制相似问题