Проблема удаления пробелов из строки в r - PullRequest
Новая
       44

Проблема удаления пробелов из строки в r

1 голос
/ 04 ноября 2019

Я знаю, что это похоже на дубликат, но я пробовал несколько решений этой проблемы, в том числе и это, возможно, у меня есть проблема с моим очисткой, которая вызывает эту проблему

Пример

Этоэто то, что я пытаюсь сделать:

Я удалил этот набор данных из Википедии: 

library(tidyverse)
library(rvest)

Sueldos <- read_html("https://es.wikipedia.org/wiki/Anexo:Salario_m%C3%ADnimo_en_Chile") %>% html_nodes(".wikitable") 

Sueldos <-rvest::html_table(Sueldos[[1]])

colnames(Sueldos) <- make.names(colnames(Sueldos))

Sueldos <- Sueldos %>% rename(Sueldo = Monto.bruto.enpesos.chilenos) %>% dplyr::select(Desde, Sueldo)

Набор данных выглядит так: 

|Desde                   |Sueldo |
|:-----------------------|:------|
|1 de septiembre de 1987 |11 335 |
|1 de febrero de 1989    |15 488 |
|1 de junio de 1989      |18 000 |
|1 de junio de 1990      |26 000 |
|1 de junio de 1991      |33 000 |
|1 de junio de 1992      |38 600 |
|1 de junio de 1993      |46 000 |
|1 de junio de 1994      |52 150 |
|1 de junio de 1995      |58 900 |
|1 de junio de 1996      |65 500 |

Я хочу обрезать пробелыв Суэльдосе, чтобы превратить их в числовые, обычно у меня нет проблем с обрезкой этого пробела, но несколько испытаний дали мне один и тот же результат:

Тест 1

Сначала я подумал, что попробую с str_remove_all из stringr 

Sueldos <- Sueldos %>%  str_remove_all(Sueldo, pattern = " ")

Но это не изменилось

Тест 2

Тогда я подумал об использовании str_replace_all 

Sueldos <- Sueldos %>%  mutate(Sueldo = str_replace_all(Sueldo, pattern = " ", replacement = ""))

И ничего

Тест 3

Я подумал, может быть, как в ссылке выше, если бы я использовал fixed , это было быработа 

Sueldos <- Sueldos %>%  mutate(Sueldo = str_replace_all(Sueldo, pattern = fixed(" "), replacement = ""))

ничего

тест 4

я наконец попробовал gsub, на всякий случай 

Sueldos$Sueldo <- gsub(x =  Sueldos$Sueldo, pattern = " ", replacement = "")

Все равно ничего, я не понимаю, что происходит

SessionInfo: 

R version 3.6.1 (2019-07-05)
Platform: x86_64-pc-linux-gnu (64-bit)
Running under: Ubuntu 18.04.3 LTS

Matrix products: default
BLAS:   /usr/lib/x86_64-linux-gnu/blas/libblas.so.3.7.1
LAPACK: /usr/lib/x86_64-linux-gnu/lapack/liblapack.so.3.7.1

locale:
  [1] LC_CTYPE=en_US.UTF-8       LC_NUMERIC=C               LC_TIME=es_CL.UTF-8        LC_COLLATE=en_US.UTF-8    
  [5] LC_MONETARY=es_CL.UTF-8    LC_MESSAGES=en_US.UTF-8    LC_PAPER=es_CL.UTF-8       LC_NAME=C                 
  [9] LC_ADDRESS=C               LC_TELEPHONE=C             LC_MEASUREMENT=es_CL.UTF-8 LC_IDENTIFICATION=C       

 attached base packages:
 [1] stats     graphics  grDevices utils     datasets  methods   base     

 other attached packages:
  [1] forcats_0.4.0   stringr_1.4.0   dplyr_0.8.3     purrr_0.3.3     readr_1.3.1     tidyr_1.0.0     tibble_2.1.3   
  [8] ggplot2_3.2.1   tidyverse_1.2.1 rvest_0.3.4     xml2_1.2.2     

 loaded via a namespace (and not attached):
  [1] tidyselect_0.2.5  xfun_0.10         haven_2.1.1       lattice_0.20-38   colorspace_1.4-1  vctrs_0.2.0       generics_0.0.2   
  [8] htmltools_0.4.0   yaml_2.2.0        rlang_0.4.1       pillar_1.4.2      glue_1.3.1        withr_2.1.2       selectr_0.4-1    
 [15] modelr_0.1.5      readxl_1.3.1      lifecycle_0.1.0   munsell_0.5.0     gtable_0.3.0      cellranger_1.1.0  htmlwidgets_1.5.1
 [22] evaluate_0.14     knitr_1.25        curl_4.2          highr_0.8         htmlTable_1.13.2  broom_0.5.2       Rcpp_1.0.2       
 [29] scales_1.0.0      backports_1.1.5   checkmate_1.9.4   jsonlite_1.6      hms_0.5.1         digest_0.6.22     stringi_1.4.3    
 [36] grid_3.6.1        cli_1.1.0         tools_3.6.1       magrittr_1.5      lazyeval_0.2.2    crayon_1.3.4      pkgconfig_2.0.3  
 [43] zeallot_0.1.0     lubridate_1.7.4   assertthat_0.2.1  rmarkdown_1.16    httr_1.4.1        rstudioapi_0.10   R6_2.4.0         
 [50] nlme_3.1-141      compiler_3.6.1

Ответы [ 4 ]

1 голос
/ 04 ноября 2019

Ответ @StupidWolf работал для меня, я хотел добавить мой окончательный код, просто чтобы сохранить формат tidyverse для тех, кто любит это лучше: 

library(rvest)
library(tidyverse)


Sueldos <- read_html("https://es.wikipedia.org/wiki/Anexo:Salario_m%C3%ADnimo_en_Chile") %>% html_nodes(".wikitable") 

Sueldos <-rvest::html_table(Sueldos[[1]])

colnames(Sueldos) <- make.names(colnames(Sueldos))

Sueldos <- Sueldos %>% rename(Sueldo = Monto.bruto.enpesos.chilenos) %>% dplyr::select(Desde, Sueldo) %>% mutate(Desde = lubridate::dmy(Desde), Sueldo = gsub(x = Sueldo, pattern = intToUtf8(160),replacement =   ""))

Это прекрасно работает

если вы предпочитаете stringr:

замените последнюю строку кода на: 

Sueldos <- Sueldos %>% rename(Sueldo = Monto.bruto.enpesos.chilenos) %>% dplyr::select(Desde, Sueldo) %>% mutate(Desde = lubridate::dmy(Desde), Sueldo = str_remove_all(Sueldo, pattern = intToUtf8(160)))
1 голос
/ 04 ноября 2019

Обычно пробел имеет ascii 32, но когда я смотрю под этим символом в столбце Sueldo, символ между числами имеет ascii 160. Одно из решений, которое я могу предложить, - заменить столбец с помощью intToUtf8 (160). Что касается того, что именно ASCII оценка 160 в этих данных, я не уверен.

Это можно назвать неразрывный пробел , как @ WiktorStribiżew указал ниже, я не уверен насчет различия между этим и пробелом. 

sapply(unlist(strsplit(Sueldos$Sueldo[2],"")),utf8ToInt)
  1   1       3   3   5 
 49  49 160  51  51  53

utf8ToInt(" ")
[1] 32

Сейчасесли мы введем правильный символ: 

gsub(intToUtf8(160),"",Sueldos$Sueldo)

 [1] "11335"     "15488"     "18000"     "26000"     "33000"     "38600"    
 [7] "46000"     "52150"     "58900"     "65500"     "71400"     "80500"    
[13] "90500"     "100000"    "105500"    "111200"    "115648"    "120000"   
[19] "127500"    "135000"    "144000"    "159000"    "165000"    "172000"   
[25] "182000"    "193000"    "210000"    "225000"    "241000"    "250000"   
[31] "257500"    "264000"    "270000"    "276000"    "288000[1]" "301000[2]"
0 голосов
/ 05 ноября 2019

Решение Base R (regex): 

Sueldos$Sueldo <- gsub("\\s+", "", Sueldos$Sueldo)
0 голосов
/ 04 ноября 2019

Работает, когда вы используете str_replace_all в переменной (а не в таблице): 

suppressPackageStartupMessages(library(dplyr))
suppressPackageStartupMessages(library(rvest))

Sueldos <- read_html("https://es.wikipedia.org/wiki/Anexo:Salario_m%C3%ADnimo_en_Chile") %>% html_nodes(".wikitable")

Sueldos <-rvest::html_table(Sueldos[[1]])

colnames(Sueldos) <- make.names(colnames(Sueldos))

Sueldos <- Sueldos %>% rename(Sueldo = Monto.bruto.enpesos.chilenos) %>% dplyr::select(Desde, Sueldo)

# test <- Sueldos$Desde[1]
# test %>%
#         stringr::str_remove_all(string = ., pattern = " ")

Sueldos %>%
        mutate(Desde = Desde %>% stringr::str_remove_all(string = ., pattern = " "))
#>                  Desde             Sueldo
#> 1  1deseptiembrede1987             11 335
#> 2     1defebrerode1989             15 488
#> 3       1dejuniode1989             18 000
#> 4       1dejuniode1990             26 000
#> 5       1dejuniode1991             33 000
#> 6       1dejuniode1992             38 600
#> 7       1dejuniode1993             46 000
#> 8       1dejuniode1994             52 150
#> 9       1dejuniode1995             58 900
#> 10      1dejuniode1996             65 500
#> 11      1dejuniode1997             71 400
#> 12      1dejuniode1998             80 500
#> 13      1dejuniode1999             90 500
#> 14      1dejuniode2000            100 000
#> 15      1dejuniode2001            105 500
#> 16      1dejuniode2002            111 200
#> 17      1dejuliode2003            115 648
#> 18      1dejuliode2004            120 000
#> 19      1dejuliode2005            127 500
#> 20      1dejuliode2006            135 000
#> 21      1dejuliode2007            144 000
#> 22      1dejuliode2008            159 000
#> 23      1dejuliode2009            165 000
#> 24      1dejuliode2010            172 000
#> 25      1dejuliode2011            182 000
#> 26      1dejuliode2012            193 000
#> 27     1deagostode2013            210 000
#> 28      1dejuliode2014            225 000
#> 29      1dejuliode2015            241 000
#> 30      1deenerode2016            250 000
#> 31      1dejuliode2016            257 500
#> 32      1deenerode2017            264 000
#> 33      1dejuliode2017            270 000
#> 34      1deenerode2018            276 000
#> 35 1deseptiembrede2018 288 000[1]<U+200B>
#> 36      1demarzode2019 301 000[2]<U+200B>
...