R - 使用循环搜索一个变量和另一个变量并创建新的合并变量

Question

我只擅长 R 编码的基础知识，不知道如何进行复杂的循环。 我有一个大型数据框，其中包含一列地址和一列邮政编码（以及其他变量）。每列中有许多 NA。对于缺少 zip 和 state 或仅缺少 zip 的某些行，地址列的数据不完整。我所有的数据都来自同一个州。

我需要清理地址数据以便稍后进行地理编码。我不想省略 NA 行，因为我也将使用相同的数据框进行仅限邮政编码的分析（当我制作太多类似的对象时我也会迷路）。我在 Address 中有很多 NA，但我仍然有同一行的 Zipcode 值。

我的解决方案是：

1. 对于 df$Address 中的每一行，如果它不是一个 NA
2. 如果 df$Address 不以 df$Zipcode 结尾
3. 然后将 df$Address 结合“MI”和 df$Zipcode 粘贴为新列值
4. 删除重复的单词（仅适用于具有带状态地址但缺少 zip 的条目）

最小可重复样本：

Address <- c("1234 address", "5678 address, MI", "9012 address, MI 12345", "1111 adrus")
Zipcode <- c("67890", "56780", "12345", "12345")
df <- data.frame(Address, Zipcode)

#example dataframe
Address                   Zipcode
1234 address               67890            
5678 address, MI           56780            
9012 address, MI 12345     12345            
1111 adrus                 12345    

这是我的尝试。我也尝试了 grepl() 并得到了同样的错误。

for (i in 1:length(df$Address)) {
  if(!is.na(df$Address[i])) {
    if (!endsWith(df$Address, df$Zipcode)) {
       df$Address_cln<- paste(df$Address, df$Zipcode, sep="MI ")
    }
    else {dataZip$address_cln <- paste(dataZip$Address)
    }}}

我收到此错误：条件的长度 > 1，并且只会使用第一个元素。它将未修改的 df$Address 粘贴到新列 df$Address_cln

我试图在继续删除重复的“MI”之前对前 3 个部分进行编码，因此我的代码中不包含该部分。

我稍后会尝试以某种方式修复拼写错误的条目，因为除了帮助我上面的合并循环之外，这是一个很大的问题。 感谢您的帮助！

Answer 1

我们可以检查“地址”是否在字符串末尾有 5 位数字，然后返回“地址”或带有“邮政编码”列的 paste (str_c)

library(dplyr)
library(stringr)
df %>%
  mutate(Address2 = case_when(str_detect(Address, '\\d{5}$') ~
    Address, str_detect(Address, 'MI$') ~ str_c(Address, Zipcode, 
     sep = ' '), TRUE ~ str_c(Address, Zipcode, sep = ', MI ')))

-输出

#                 Address Zipcode               Address2
#1           1234 address   67890  1234 address MI 67890
#2       5678 address, MI   56780 5678 address, MI 56780
#3 9012 address, MI 12345   12345 9012 address, MI 12345
#4             1111 adrus   12345    1111 adrus, MI 12345

Answer 2

我们可以使用一些带有正则表达式的stringr 函数：

library(stringr)
library(dplyr)
df %>% 
  mutate(Address= str_remove(Address, "[0-9]*$"),
         Address= str_trim(str_remove(Address, ", MI"))) %>% 
  mutate(Address_new = str_c(Address, " MI ", Zipcode))

输出：

       Address Zipcode           Address_new
1 1234 address   67890 1234 address MI 67890
2 5678 address   56780 5678 address MI 56780
3 9012 address   12345 9012 address MI 12345
4   1111 adrus   12345   1111 adrus MI 12345

Answer 3

使用 Base R，我为您提供了这个解决方案，但请注意，我从您的代码中使用了 sep="MI" 的“粘贴”，您地址的第 4 个元素已经有“MI”，所以这增加了对输出有一个双重的“MI”，没有任何知识，我的猜测是它是一个状态缩写，如果数据涵盖多个状态，很可能是不正确的。

Address <- c("1234 address", "5678 address, MI", "9012 address, MI 12345", "1111 adrus")
Zipcode <- c("67890", "56780", "12345", "12345")
df <- data.frame(Address, Zipcode)    

df$address_cln <- apply(df,MARGIN = 1, function(df_row) {
  if(!grepl(paste0(df_row[2],"$"), df_row[1])){
    return(paste(df_row[1], df_row[2], sep=" MI "))
  }else{
    return(df_row[1])
  }
})

df

         Address           Zipcode             address_cln
1           1234 address   67890     1234 address MI 67890
2       5678 address, MI   56780 5678 address, MI MI 56780
3 9012 address, MI 12345   12345    9012 address, MI 12345
4             1111 adrus   12345       1111 adrus MI 12345