用空格而不是作为字符类导入的点来协调数据：如何清理？

Question

对于复杂的帖子提前表示歉意；这是一个（非常令人沮丧的）问题，我已经困扰了很长一段时间了。

我有一个数据集，正处于清理的最后步骤。我试图克服的最后一个障碍与坐标信息的输入方式有关 - 经度和纬度的格式是伪 DMS 和十进制形式的混合，以及一些常见的混乱。这是经度列的示例：

"096 34 01.63" "096 35 46.93" "96.48.838" "19* 9 41.715" "19 9 15.922"

如您所见，秒数远远超过 60、

"19* 9 41.715" "19 9 15.922"

中存在杂散小数、不正确的度值（19 9 而不是 -96）、标牌问题等

这两列的类别都是字符。我尝试将类更改为数字，因为我必须对秒进行一些算术才能修复它们（见上文），但这引入了 NA；我认为这是条目中空格的结果。作为参考，这就是示例应该在完成初始步骤后的样子：

"096:34:01.63" "096:35:46.93" "96:48:838" "199:41:715" "199:15:922"

这就是我完全清洁后的样子：

"-96:34:1.63" "-96:35:46.93" "-96:48:13.97" "-96:41:11.91" ""-96:15:15.36"

有什么方法可以在不引入 NA 的情况下完成将列转换为数字类的初始步骤吗？

Answer 1

首先，我假设您所需的输出中的一些差异是拼写错误：负数（不确定）和 19-to-199-to-96。我认为以下结果是一致的。

1. 消除

   *

   噪音。

2. 标准化太多点，每个字符串只允许一个。例如，

   "96.48.838"

   ->

   "96 48.838"

   gsub("\\.(?=[^.]*[.])", " ", "11.22.33.44.55", perl=TRUE)
   # [1] "11 22 33 44.55"
   

3. 将DM转换为DMS；例如，

   "96 48.838"

   ->

   "96 48 50.28"

   ，因为

   0.838

   分钟是

   50.28

   秒。

4. （假设）将

   0

   -填充添加到度/分钟，将秒限制为 3 位小数。

vec <- c("096 34 01.63", "096 35 46.93", "96.48.838", "19* 9 41.715", "19 9 15.922")
gsub("*", "", vec, fixed=TRUE) |>
  gsub("\\.(?=[^.]*[.])", " ", x = _, perl=TRUE) |>
  strsplit(" ") |> 
  sapply(function(X) {
    X <- as.numeric(X)
    if (length(X) == 2) X <- c(floor(X[1:2]), X[2] %% 1 * 60)
    paste(c(sprintf("%02.0f", X[1:2]),
            sprintf("%02.3f", X[3])),
          collapse = ":")
  })
# [1] "96:34:1.630"  "96:35:46.930" "96:48:50.280" "19:09:41.715" "19:09:15.922"