处理在 R 中记录数据集的错误

Question

我的数据集有一个相当复杂的问题。它包括 600,000 个观测值。主要问题与数据收集过程有关。作为示例，我提供了以下数据集，该数据集与我手头的真实数据具有相似的结构：

df <- data.frame(row_number = c(1,2,3,4,5,6,7,8,9), 
                date = c("2020-01-01", "2020-01-01","2020-01-01","2020-01-02","2020-01-02","2020-01-02","2020-01-03","2020-01-03","2020-01-03"),
                time = c("01:00:00","09:00:00","17:00:00", "09:00:00","01:00:00","17:00:00", "01:00:00","NA","09:00:00"),
                order = c(1,2,3,1,2,3,1,2,3), 
                value = c(10,20,30,40,10,20,30,NA,50)

我知道每天记录 3 次数据（顺序变量）。即在每一天，第一次记录数据是 1:00:00，第二次记录数据是 09:00:00，最后一次记录数据是 17： 00:00。

但是，收集数据的人犯了错误。例如，在 row_num 4 中，时间应该是 01:00:00，但数据采集器记录的是 09:00:00。 另外，在第 8 行中，我预计时间应该是 9:00:00，但是，由于没有信息记录在 value 中，因此该人没有填写该行，而是将时间记录为 09:00:00 3号订单，而预计3号订单的时间是17:00:00。

鉴于我们知道数据收集的顺序，我想知道您是否有任何解决方案来处理数据集中的此类问题。

提前感谢您的宝贵时间。

Answer 1

创建一组 3 行并按照我们想要的顺序给出时间：

library(dplyr)

df %>%
  group_by(grp = ceiling(row_number/3)) %>%
  mutate(time = c('01:00:00', '09:00:00', '17:00:00')) %>%
  ungroup %>% select(-grp)

#   row_number date       time     order value
#       <dbl> <chr>      <chr>    <dbl> <dbl>
#1          1 2020-01-01 01:00:00     1    10
#2          2 2020-01-01 09:00:00     2    20
#3          3 2020-01-01 17:00:00     3    30
#4          4 2020-01-02 01:00:00     1    40
#5          5 2020-01-02 09:00:00     2    10
#6          6 2020-01-02 17:00:00     3    20
#7          7 2020-01-03 01:00:00     1    30
#8          8 2020-01-03 09:00:00     2    NA
#9          9 2020-01-03 17:00:00     3    50

Answer 2

time <- c("01:00:00","09:00:00","17:00:00")
rep(time, 200000)

rep() 函数允许您为数据集重复任意次数的向量。这允许您创建 3 个观察时间段，然后为您重复 600,000 次观察，这样您就可以消除人为错误。