是否有 R 函数可以清理字符格式的杂乱工资？

Question

我有一列乱七八糟的工资数据。想知道有没有专门做清理这类乱码数据功能的包。我的数据如下：

data.frame(salary = c("40,000-60,000", "40-80K", "0,000", 
                  "/hr", "Between -80/hour", "0k",
                  "50-60,000 a year", "90"))
#>                salary
#> 1       40,000-60,000
#> 2              40-80K
#> 3            0,000
#> 4              /hr
#> 5 Between -80/hour
#> 6               0k
#> 7    50-60,000 a year
#> 8                  90

^{由 reprex package (v0.3.0)}

于 2020-12-16 创建

我希望干净的列是年度级别的数字。我知道如何手动清理此列，我只是想知道是否有任何其他软件包可以提供帮助（readr::parse_number() 除外）

预期输出如下：

#>   output
#> 1  50000
#> 2  60000
#> 3 100000
#> 4 145600
#> 5 150800
#> 6 100000
#> 7  55000
#> 8  90000

Answer 1

一个选项是创建一个仅包含数字和 - 的列 'salary1'，然后 separate 通过 -、[=15] 将其分为两列=] 这些列的值，基于原始列中的子字符串匹配，即 K|k 或 hr|hour 即，将它们乘以 1000 (K|k) 或每小时，基于一年的小时数，使用 case_when 并获得这些列的 rowMeans

library(dplyr)
library(stringr)
library(tidyr)
df1 %>% 
   mutate(salary1 = str_remove_all(salary, '[^0-9-]+')) %>% 
   separate(salary1, into = c('salary1', 'salary2'), 
           convert = TRUE, extra = 'drop') %>%
   mutate(across(c(salary1, salary2),
    ~ case_when(str_detect(salary, "[Kk]") ~ . * 1000, 
               str_detect(salary, 'hr|hour') ~ . * 40 * 4 * 12, 
               nchar(.) < 5 ~ as.numeric(str_pad(., pad = '0', 
                   side = 'right', width = 5)),
             TRUE ~ as.numeric(.)))) %>% 
    transmute(output = rowMeans(select(., salary1, salary2), na.rm = TRUE))

-输出

Answer 2

您可以先尝试以下几个步骤。我定义了两个函数：一个用三个零替换 k 或 K。如果一个数字以千为单位表示而另一个不是，则另一个添加前导零。

rem_k <- function(x) {
  sub("(\d)[kK]", "\1,000", x)
}

add_zero <- function(x) {
  ifelse(grepl("[1-9]0\-\d[0,]{2,}", x), sub("([1-9]0)(\-\d[0,]{2,})", "\1,000\2", x), x)
}

最后，我删除了所有非必要字符：

df %>% 
  mutate(salary2 = gsub("[^0-9,\-]", "", add_zero(rem_k(salary))))

               salary       salary2
1       40,000-60,000 40,000-60,000
2              40-80K 40,000-80,000
3            0,000       100,000
4              /hr            70
5 Between -80/hour         65-80
6               0k       100,000
7    50-60,000 a year 50,000-60,000
8                  90            90

是否有 R 函数可以清理字符格式的杂乱工资？

Is there an R function to clean messy salaries in character format?

r

data-cleaning

tidyverse