子集复杂数据集答案

【问题标题】：Subset complicated dataset子集复杂数据集
【发布时间】：2020-05-15 17:21:29
【问题描述】：

我有一个数据集：

x     y
A1  '*****'
A2  '123,0'
A3  '4557777'
A4  '8756784321675'
A5  'ЯРН'
A6  ''
A7  
A8

我想删除除 y 列中的值仅由数字组成或为空（不是 ''，而是 NA）的行之外的所有行。所以想要的输出是这样的：

x     y
A3  '4557777'
A4  '8756784321675'
A7  
A8

我怎么能这样做？如您所见，有一个带有西里尔字母“ЯРН”的值。这是最不清楚的部分。用逗号我试过这个：

df[!grepl(",", df$y),]

但是如何对待别人

【问题讨论】：

@IanCampbell empty 是 NA，'' 不是空的，它的两个撇号

标签： r dataframe subset

【解决方案1】：

即使使用西里尔符号，以下解决方案也适用，它利用了这样一个事实，即强制不是所有数字的字符串都会产生NA's。

tmp <- gsub("'", "", df1$y)
i <- !is.na(suppressWarnings(as.numeric(tmp)))
j <- df1$y == "" | is.na(df1$y)
df1[i | j, ]
#   x               y
#3 A3       '4557777'
#4 A4 '8756784321675'
#7 A7                
#8 A8

数据

df1 <- read.table(text = "
x     y
A1  '*****'
A2  '123,0'
A3  '4557777'
A4  '8756784321675'
A5  'ЯРН'
A6  ''
A7  
A8
", header = TRUE, fill = TRUE, quote = "\"")

【讨论】：

可能需要添加对 as.character 的调用，以防几年后有人带着因子而不是字符向量来。

【解决方案2】：

suppressWarnings(df[!is.na(as.numeric(df$y)) | is.na(df$y), ])

【讨论】：

会有与此相关的警告。你可以压制他们
虽然'的存在存在一些问题

【解决方案3】：

由于您的数据似乎包含'，您可以这样做：

subset(df, grepl("^'?\\d+'?$",y) | is.na(y))

【讨论】：

好收获。我没有意识到 OP 有实际的's。

【解决方案4】：

这是一种基于 R 的方法：

您使用"'\\d+'" 模式来查找以' 开头、有一个或多个数字然后以' 结尾的字符串。

df[grepl("'\\d+'",df$y) | is.na(df$y),]
   x             y
3 A3       '4557777'
4 A4 '8756784321675'
7 A7           <NA>
8 A8           <NA>

【讨论】：

它还删除了像 A3 '4557777' 和 A4 '8756784321675' 这样的好行
我没有意识到，正如@Onyambu 指出的那样，您的数据中有文字's。我认为这应该可行。

【解决方案5】：

使用dplyr

library(dplyr)
library(stringr)
df %>%
   filter(str_detect(y, '^[0-9]+$')|is.na(y))

【讨论】：