用R语言做简单的数据清洗

昨天和学长聊到下周要做的数据清洗工作，心想应该很好上手吧，结果今早爬起来一问度娘，立马就被灌了整锅的毒鸡汤…某论坛上的网友甚至告诉小编，数据清洗占了他某项工作中的八成分量，是绝对的大工程…

额…好吧，尽管小编还是这方面的零基础学员，鼓捣了一整天依然图样图森破，但是在“还要多学习”的精神指引下，还是来跟大家分享一点学习中的收获吧。

前方预警：大神请绕行~

在开始今天的介绍之前，有几点说明：

1. 这次介绍的代码主要针对重复值、缺失值和字符中的空格等情况的处理；

2. 由于篇幅限制，演示中导入csv格式文件作为数据来源；

3. 请在“文件”菜单中把R软件的“当前工作目录”改为导入文件所在目录；

4. 本次使用的数据是世界银行数据库中的“国家政策和制度评估（CPIA）：公共部门管理和机构集群平均值（1=低至 6=高）”数据；另外，为使清洗效果更明显，我对其做了点“手脚”，让其显得“更乱”:

那么，这么“脏乱”的数据该咋“洗”呢？具体步骤如下：

1. 读取并创建数据表。可以通过查看数据表前5行看看是否读取；

#读取并创建数据表

data=data.frame(read.csv('CPIA.csv',header =1))

#查看数据表前5行

head(data)

2. 清洗特定列的重复值。R语言的返回结果为：重复的标记为TURE，不重复的值标记为FALSE；下面以清洗“国家名称”这一列的重复值为例，其他各列依次完成；

#重复值清洗

duplicated(data$Country.Name)

#删除重复值，返回唯一值列表

data=unique(data)

#查看清洗结果

duplicated(data$Country.Name)

3. 空值清洗。

（1）如果查找数据表中的空值，则代码为：

#查找数据表中的空值

head(is.na(data),n = 264)

需要注意的是，这里的264是数据容量，R语言的返回结果依然是空值标记为TURE，非空值标记为FALSE；

（2）如果查找特定列中的空值，则代码如下（以2015年数据为例）：

#查看特定列中的空值

is.na(data$X2015)

（3）处理空值的方式有两种，将空值填充为0或删除空值所在行；

#将空值填充为0

data[is.na(data)] <- 0

#删除空值所在行

data<-na.omit(data)

4. 去除特定列中字符间的空格。需要安装并加载raster包，以“国家名称”列为例；

#提取“国家名称”列

Country.Name=as.vector(data$Country.Name)

#安装raster包

install.packages('raster')

#加载raster包

library(raster)

#去除“国家名称”字段中的空格

Country=trim(Country.Name)

#覆盖原有“国家名称”字段

data$Country.Name=Country

5. 另存为新文件，供后续分析；

#保存为csv文件

write.csv(data,file="CPIA1.csv")