R - 使用循环搜索一个变量，并与另一个变量创建新的合并变量

Question

我只熟悉R编程的基础知识，不确定如何处理复杂循环。我有一个大的数据框，其中包括地址和邮编列（以及其他变量）。每个列中都有许多NA。地址列对于某些行存在不完整的数据，其中缺少邮政编码或州或只有邮政编码。我的所有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，因为我还将在仅使用邮政编码分析的相同数据框上使用它（当我创建太多类似对象时也会感到困惑）。在我仍然具有相同行的Zipcode值的情况下，我的Address中有很多NA。

我想到的解决方案是：

1. 对于df $ Address中的每一行，如果它不是NA
2. 并且如果df $ Address不以df $ Zipcode结尾
3. 然后将df $ Address与"MI "和df $ Zipcode结合作为新列值
4. 删除重复单词（对于仅缺少邮政编码但有州的地址条目）

最小可再现示例：

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。我也试过使用grepl()，但出现了相同的错误。

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)
    }}}

我遇到了这个错误：the condition has length > 1 and only the first element will be used。它将未修改的df$Address粘贴到新列df$Address_cln中。

在继续删除重复的"MI"之前，我试图先正确编码前3个部分，所以我的代码不包括它。

稍后我会尝试修复拼写错误的条目，因为在帮助我上面的合并循环方面还需要大力支持。 感谢您的帮助！

- birdbrain

Answer 1

我们可以检查字符串结尾是否有5个数字，如果是，则返回“Address”，否则将“Zipcode”列与paste（str_c）在一起。

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

- akrun

Answer 2

我们可以使用一些带有正则表达式的 stringr 函数来实现此目的：

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

- TarJae

Answer 3

使用基本的R语言，我为您提供了以下解决方案。但请注意，我从您的代码中使用了"paste"函数并设置了sep="MI"参数，因为您地址的第四个元素已经包含了"MI"，所以这会在输出结果中添加一个额外的"MI"，如果数据涵盖多个州，则可能不正确。我的猜测是它是一个州的缩写。

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

- 1k monkeys and a single PC