R清洗数据之我见

近期在清洗“十二五传染病重大专项”的数据，看似简单的东西却反反复复折腾了许久，“脏数据”里面需要注意的细节真的很多。本期与大家一起分享一些R清洗数据的小窍门，也算是对既往工作的一个小小总结，以备后用。

1.首先，数据中可能会有身份证号、电话号码等长串数值变量，读入进R会变成科学计数法的形式，这时我们可以先将其变为字符型as.character( )，再在前面加上一个字母再保存paste0( )。

2.接着，我们想看看身份证号的位数正确与否nchar( )，假设身份证是15位，找出来那些不正确的which( )。用which很重要，尤其是当数据中有缺失时，不用which会将缺失的和满足条件的全找出来。

3.接着，我们想看看数据集中的身份证号是否有重复duplicated( )，是否有缺失is.na( )。

4.接着，假设数据集里面没有性别这个变量，而我们想知道，这时可以从身份证号提取substr( )。身份证号的倒数第二位是偶数代表女性，奇数代表男性，%%代表取余数，能整除者为代表女性，余数为1代表男性。同理，我们也可以将出生年月日提取出来，从而算出年龄。

5.接着，有的人身份证号最后一位是X，而可能数据录入时有的大写有的小写，此时要将其统一为大写toupper( )，或者统一为小写tolower( )。

6.接着，数据集中的年龄在录入时有的加了“岁”，有的没加，为分析方便，统一只提取数字parse_number( )，并且想按照年龄大小重新排序order( )。

7.接着，想要按照唯一识别列身份证号，将两个数据集的信息合并

merge( )。

8.接着，你可能想要把出生日期改为日期格式

as.Date( )，或者提取年月日。

9.R产生的一些特殊符号的释义。

NA:缺失数据

NaN:无意义的数，比如sqrt(-2)

Inf:正无穷大

-Inf:负无穷大

10.特定格式搜索与替换sub( )。

11.如果想要对某列变量，如身高，向上ceiling( )或者向下floor( )取整数。

最常用到就是这些了，清洗过的数据库不算多，遗漏之处或者朋友们觉得很重要的小函数请不吝留言施教于我！

关注本号，每周三给你好看！