[R函数用于删除重复项时的计数

Question

我有一个数据框，其中的一列包含不同的颜色。我的目的是计算此列中有多少种不同的颜色。注意：“红色，1”，“ 1红色”，“红色2”都是红色，因此以上所有仅算为一种颜色。但是，“深红色”是不同的颜色

Item               Color
Flower             Red 1
Flower             Yellow 1
Flower             Red, 1
Flower             Red 2
Flower             2 red
Flower             Green, 1
Flower             Dark Red 1
Flower             Green, 2
Flower             Black
Flower             White 1
Flower             1A, Green

因为在此列中，颜色名称的结构不同。因此，我不能仅仅使用sub（）删除第一个单词之后的所有内容并计算数量。我尝试使用sapply（apply（））或grep（）进行近似匹配，但结果并不理想。我还尝试了distinct（）保留所有唯一的颜色名称，但是它无法处理诸如“ Red，1”和“ Red，2”之类的字符串对我来说，最困难的情况是颜色后面带有逗号，例如“ 1A，蓝色”或其他]

我希望结果可以是

Flower    Red
Flower    Yellow
Flower    Green
Flower    Dark Red
Flower    Black
Flower    White

或更简单

6

Answer 1

不需要循环，*apply或其他，适当的正则表达式将完成大部分工作。

x <- tolower(gsub("[^[:alpha:]]", "", flowers$Color))
unique(x)
#[1] "red"    "yellow" "green"  "black"  "white" 

length(unique(x))
#[1] 5

数据。

flowers <- read.table(text = "
Item               Color
Flower             'Red 1'
Flower             'Yellow 1'
Flower             'Red, 1'
Flower             'Red 2'
Flower             '2 red'
Flower             'Green, 1'
Flower             'Green, 2'
Flower             'Black'
Flower             'White 1'
", header = TRUE, stringsAsFactors = FALSE)

Answer 2

[C0的选项

dplyr

数据

library(stringr)
library(dplyr)
flowers %>% 
    summarise(len = n_distinct(Item,  tolower(str_remove(Color, "[^A-Za-z]+"))))
#  len
#1   5

Answer 3

使用

  flowers <- structure(list(Item = c("Flower", "Flower", "Flower", "Flower", 
"Flower", "Flower", "Flower", "Flower", "Flower"), Color = c("Red 1", 
"Yellow 1", "Red, 1", "Red 2", "2 red", "Green, 1", "Green, 2", 
"Black", "White 1")), class = "data.frame", row.names = c(NA, 
-9L))

软件包和stringr的另一种解决方案。

colors()

输出：

library(readr)
library(stringr)

A <- read_table("Item               Color
Flower             Red 1
Flower             Yellow 1
Flower             Red, 1
Flower             Red 2
Flower             2 red
Flower             Green, 1
Flower             Green, 2
Flower             Black
Flower             White 1")

A$Color <- casefold(A$Color, upper = TRUE)
colors_considered <- casefold(colors(), upper = TRUE)

bb <- as.data.frame(A$Color)
BB <- apply(bb,1,function(x) str_extract(x,colors_considered))

CC <- BB[!is.na(BB)]

output <- data.frame(item = A$Item,color = CC) %>%
 unique()

Answer 4

假设数据帧称为

> output
    item  color
1 Flower    RED
2 Flower YELLOW
6 Flower  GREEN
8 Flower  BLACK
9 Flower  WHITE

，则可以使用：

df

说明：

length(unique(toupper(gsub("[^a-zA-Z]", "", df$Color))))删除所有非字符的内容。因此，您只剩下颜色。

gsub("[^a-zA-Z]", "", df$Color)大写剩余的文本，而unique则删除重复项。 toupper为您提供向量中元素的数量。您将得到length。

Addition：要处理“红色，1A”的情况，您可以删除'，'之后的所有内容，然后使用上述解决方案。例如：

5

x <- gsub(",.*$", "", df$Color) ## removes a comma and anything that follows

Alternative删除逗号后的所有内容：您可以使用以下方式删除任何字母数字，例如“ 1A”或“ A1”：

length(unique(toupper(gsub("[^a-zA-Z]", "", x)))) ## removes all but letters