基于模式重命名变量的sqldf R代码

Question

我以不同的名称以csv格式列出了50,000多行，并且下面具有相同的底层5位代码：

Code             Name
25000            James John Junior
RA25000          James Junior
RA2500009        James J. Junior
RA27000          Bill Hope
RA2800009        Donna Scott
28000            Donna Love Scott

由于列表共享相同的基础代码，例如25000，如何使用R中的sqldf包将列表更改为具有与该基础代码相关的名称（例如25000）（如下所示）。仅使用Rstudio。

Code             Name
25000            James John Junior
RA25000          James John Junior
RA2500009        James John Junior
RA27000          Bill Hope
RA2800009        Donna Love Scott
28000            Donna Love Scott

注意，我希望避免在代码中分别键入25000、27000，然后28000，因为列表本身具有超过50,000行，并且底层代码可能包含40,000个变体。

Answer 1

假设您的sqldf版本支持common table expressions（SQLite 3.8.3+），请考虑使用SUBSTR和REPLACE清除代码并将其加入聚合的CTE以对齐最大长度的名称。 CTE的最终自我加入需要映射干净的名称。

WITH agg AS
   (SELECT SUBSTR(REPLACE([Code], 'RA', ''),1,5) AS CleanCode, 
           MAX(LENGTH([Name])) AS MaxLenName
    FROM myData
    GROUP BY SUBSTR(REPLACE([Code], 'RA', ''),1,5)
   ),
   sub AS 
   (SELECT SUBSTR(REPLACE([Code], 'RA', ''),1,5) AS CleanCode, 
           LENGTH([Name]) AS LenName,
           [Code],
           [Name]
    FROM myData
   )

SELECT sub.Code,
       sub2.Name
FROM sub
INNER JOIN agg
   ON agg.CleanCode = sub.CleanCode
LEFT JOIN sub as sub2
   ON agg.CleanCode = sub2.CleanCode
   AND agg.MaxLenName = sub2.LenName;

Online Demo （单击顶部的运行）

| Code      | Name              |
| --------- | ----------------- |
| 25000     | James John Junior |
| RA25000   | James John Junior |
| RA2500009 | James John Junior |
| RA27000   | Bill Hope         |
| RA2800009 | Donna Love Scott  |
| 28000     | Donna Love Scott  |

Answer 2

使用最后在“注释”中可重复显示的输入执行左自连接。ltrim删除A的第一个实例的代码左侧的任何R或DF，然后substr取下5个字符。将其与DF的Code的第二个实例匹配。如果可以在数字前面加上其他字母，则将它们包括在AR字符串中。如果出现任何大写字母，请使用ABCDEFGHIJKLMNOPQRSTUVWXYZ。

library(sqldf)
sqldf("select a.Code, coalesce(b.Name, a.Name) Name 
  from DF a left join DF b
  on substr(ltrim(a.Code, 'AR'), 1, 5) = b.Code")

给予：

       Code              Name
1     25000 James John Junior
2   RA25000 James John Junior
3 RA2500009 James John Junior
4   RA27000         Bill Hope
5 RA2800009  Donna Love Scott
6     28000  Donna Love Scott

注意

Lines <- "Code             Name
25000            James John Junior
RA25000          James Junior
RA2500009        James J. Junior
RA27000          Bill Hope
RA2800009        Donna Scott
28000            Donna Love Scott"
Lines2 <- readLines(textConnection(Lines))
DF <- read.csv(text = sub(" +", ",", Lines2), header = TRUE, strip.white = TRUE)