文章目錄

• 整理數據
• 一、Excel
• 二、正則表達式
• 三、去重
• 四、補充介紹正則表達式

---

整理數據

這章進行了簡單的數據清洗。

---

一、Excel

一開始拿到散亂的數據，先用Excel進行分列。

散亂的數據：





這里先處理 FirstName ，可以看到這一列的問題是，每個名字前面都多一個^字符，用Excel工具去掉即可。

先列出來幾個書中提到的函數：

函數作用

FIND	返回指定字符串的位置
LEFT	取單元格左邊的字符
RIGHT	取單元格右邊的字符
TRIM	刪除單元格中的空格
LEN	求單元格中的長度
CONCATENATE	將兩個值合并
VALUE	求以文本格式存儲的數據的數值
SUBSTITUTE	以指定的新文本替代單元格中不需要的文本

這里用到的是SUBSTITUTE函數。

SUBSTITUTE(text, old_text, new_Text, [instance_num])

我們先新建一個列，命名為NewFirstName。之后輸入公式。如下圖：

這樣FirstName就處理完了，但是LastName無法使用簡單的Excel函數去掉中間的多余字符，所以我們使用R。
這里注意，不是Excel無法處理這種問題，是因為如果想要使用Excel函數去處理，就要嵌套多個不同函數，這樣不便于使用及更改，所以還是使用R更方便快捷。

二、正則表達式

正則表達式是一種編程工具，可以用這個工具制定復雜的模式以便匹配和替換文本字符串。
本次數據中的LastName列就可以使用這個方式處理。

先用代碼演示一下書中示例：

hfhh <- read.table("D:/Excel/hfda/hfda_ch13_raw_data.csv", sep=",",header=1) // 先加載數據 NewLastName <- sub("\\(.*\\)", "", hfhh$LastName) //使用正則表達式處理LastName列 這里解釋一下這個正則表達式的含義： \\(.*\\) 總體來看就是要匹配（）中的內容 分解開來看： \\( 代表左括號，\\表示括號本身并不是R的表達式 \\) 代表右括號，\\表示括號本身并不是R的表達式 .* 代表括號內的全部內容

這樣LastName這一列就處理好了，但在數據中我們發現很多重復項，這些重復項的名字和電話是相同的，而時間等無關項不同。這就需要我們先將其無關項刪除，然后再進行去重操作。

先去除無關項：

hfhhNameOnly$Time <- NULL hfhhNameOnly$CallID <- NULL

三、去重

可以使用R中的unique()函數去掉名字中的重復行。
代碼示例如下：

hfhhNameOnly <- unique(hfhhNameOnly)

去重完成后，將整理好的數據存為csv文件。
代碼示例如下：

write.csv(hfhhNameOnly, file="hfhhNameOnly.csv")

四、補充介紹正則表達式

正則表達式在很多語言上都經常用到，在這簡單整理一下：
https://www.runoob.com/regexp/regexp-intro.html
這個網站里面介紹的超級全面，存在這里留著看，感謝大佬，感謝互聯網。

總結

以上是生活随笔為你收集整理的《深入浅出数据分析》第十三章的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。