时间戳

首页 > 解决方案 > 使用部分字符串匹配从另一个数据帧填充数据帧

r - 使用部分字符串匹配从另一个数据帧填充数据帧

问题描述

我有两个数据框。Dataframe1 包含公园列表的气候数据。数据框 2 包含相同的公园，但有一个字母（“P”或“T”）来指定该公园内的一条道路。我想将气候数据与这些公园道路名称相匹配。例如。在数据框 1 中，“公园 A”可能有 25 厘米的降水。数据框 2 将具有“Park A P”和“Park A T”。我希望数据框 2 在“Park A P”和“Park A T”中的值都为 25。任何帮助，将不胜感激。

数据框1

structure(list(ParkName = c("Alafia River State Park", "Amelia Island State Park", 
"Big Talbot Island State Park", "Blue Spring State Park", "Collier-Seminole State Park", 
"Curry Hammock State Park", "Delnor-Wiggins Pass State Park", 
"Dr. Von D. Mizell-Eula Johnson State Park", "Fakahatchee Strand Preserve State Park", 
"Fort George Island Cultural State Park", "Fort Pierce Inlet State Park/Avalon State Park", 
"Fort Zachary Taylor Historic State Park", "Highlands Hammock State Park", 
"Hillsborough River State Park", "Honeymoon Island State Park", 
"John D. MacArthur Beach State Park", "Jonathan Dickinson State Park", 
"Lake Manatee State Park", "Long Key State Park", "Lovers Key State Park", 
"Myakka River State Park", "Oscar Scherer State Park", "Paynes Creek Historic State Park", 
"Pumpkin Hill Creek Preserve State Park", "Savannas Preserve State Park", 
"Seabranch Preserve State Park", "Sebastian Inlet State Park", 
"Terra Ceia Preserve State Park", "Werner-Boyce Salt Springs State Park"
), tmax = c(30.8666666666667, 26.2333333333333, 25.325, 29, 30.3166666666667, 
29.1166666666667, 32.65, 30.7833333333333, 33, 26.3, 27.56, 30.6, 
30.2333333333333, 33, 28.7666666666667, 28.98, 27.9142857142857, 
27.4333333333333, 28.85, 29.4, 30.35, 32.7666666666667, 29.4, 
30.1666666666667, 29.5166666666667, 32.4, 27.2583333333333, 29.7, 
24.4333333333333), tavg = c(25.5, 21.6111111111111, 20.8333333333333, 
23.5, 25.3166666666667, 25.9166666666667, 28, 26.9666666666667, 
28.2, 22.025, 23.3, 28.6, 24.5833333333333, 27.7, 23.8333333333333, 
24.62, 23.0714285714286, 21.5333333333333, 26, 24.32, 24.4166666666667, 
28.0666666666667, 23.5333333333333, 25.9333333333333, 25.1666666666667, 
28.2, 22.875, 24.86, 18.2), tmin = c(20.1333333333333, 17.0222222222222, 
16.3666666666667, 18.02, 20.3166666666667, 22.6833333333333, 
23.35, 23.2, 23.3, 17.75, 19.02, 26.6, 18.8833333333333, 22.45, 
18.8666666666667, 20.28, 18.2285714285714, 15.6333333333333, 
23.1, 19.24, 18.4166666666667, 23.3666666666667, 17.6333333333333, 
21.7333333333333, 20.85, 23.95, 18.4416666666667, 20.04, 11.9333333333333
), precip = c(163.833333333333, 108.333333333333, 116.333333333333, 
104.2, 156, 127.333333333333, 302, 168.166666666667, 259, 111, 
117.8, 154, 131.833333333333, 208.5, 112.333333333333, 152.4, 
94.2857142857143, 179.333333333333, 128.833333333333, 146, 147.666666666667, 
223.666666666667, 137.333333333333, 122.333333333333, 154.166666666667, 
226, 126.5, 137.8, 20.6666666666667), ParkLatitude = c(27.77339935, 
30.52039909, 30.47949982, 28.94799995, 25.97559929, 24.74399948, 
26.28140068, 26.07530022, 26.02120018, 30.42499924, 27.5222, 
24.54649925, 27.4503994, 28.12179947, 28.07509995, 26.82620049, 
27.00860023, 27.47850037, 24.81699944, 26.39119911, 27.22629929, 
27.1807003, 27.61980057, 30.4701004, 27.3166008, 27.13529968, 
27.86020088, 27.5977993, 28.31739998)), class = c("tbl_df", "tbl", 
"data.frame"), .Names = c("ParkName", "tmax", "tavg", "tmin", 
"precip", "ParkLatitude"), row.names = c(NA, -29L))

数据框 2

    structure(list(newsites = c("Alafia River State Park T", "Blue Spring State Park P", 
"Collier-Seminole State Park T", "Curry Hammock State Park P", 
"Highlands Hammock State Park T", "Jonathan Dickinson State Park P", 
"Jonathan Dickinson State Park T", "John D. MacArthur Beach State Park P", 
"Dr. Von D. Mizell-Eula Johnson State Park P", "Long Key State Park P", 
"Lovers Key State Park T", "Myakka River State Park T", "Myakka River State Park P", 
"Savannas Preserve State Park P", "Seabranch Preserve State Park T", 
"Sebastian Inlet State Park P", "Sebastian Inlet State Park T", 
"Big Talbot Island State Park T", "Big Talbot Island State Park P", 
"Fort George Island Cultural State Park T", "Amelia Island State Park T", 
"Pumpkin Hill Creek Preserve State Park T", "Blue Spring State Park T", 
"Collier-Seminole State Park P", "Delnor-Wiggins Pass State Park P", 
"Fakahatchee Strand Preserve State Park T", "Fort Pierce Inlet State Park/Avalon State Park P", 
"Fort Zachary Taylor Historic State Park P", "Highlands Hammock State Park P", 
"Hillsborough River State Park P", "Honeymoon Island State Park P", 
"Lake Manatee State Park T", "Oscar Scherer State Park P", "Paynes Creek Historic State Park P", 
"Lake Manatee State Park P", "Lovers Key State Park P", "Terra Ceia Preserve State Park T", 
"Werner-Boyce Salt Springs State Park T")), class = c("grouped_df", 
"tbl_df", "tbl", "data.frame"), row.names = c(NA, -38L), .Names = "newsites", vars = "newsites", drop = TRUE, indices = list(
    0L, 20L, 18L, 17L, 1L, 22L, 23L, 2L, 3L, 24L, 8L, 25L, 19L, 
    26L, 27L, 28L, 4L, 29L, 30L, 7L, 5L, 6L, 34L, 31L, 9L, 35L, 
    10L, 12L, 11L, 32L, 33L, 21L, 13L, 14L, 15L, 16L, 36L, 37L), group_sizes = c(1L, 
1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 
1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 
1L, 1L, 1L, 1L, 1L), biggest_group_size = 1L, labels = structure(list(
    newsites = c("Alafia River State Park T", "Amelia Island State Park T", 
    "Big Talbot Island State Park P", "Big Talbot Island State Park T", 
    "Blue Spring State Park P", "Blue Spring State Park T", "Collier-Seminole State Park P", 
    "Collier-Seminole State Park T", "Curry Hammock State Park P", 
    "Delnor-Wiggins Pass State Park P", "Dr. Von D. Mizell-Eula Johnson State Park P", 
    "Fakahatchee Strand Preserve State Park T", "Fort George Island Cultural State Park T", 
    "Fort Pierce Inlet State Park/Avalon State Park P", "Fort Zachary Taylor Historic State Park P", 
    "Highlands Hammock State Park P", "Highlands Hammock State Park T", 
    "Hillsborough River State Park P", "Honeymoon Island State Park P", 
    "John D. MacArthur Beach State Park P", "Jonathan Dickinson State Park P", 
    "Jonathan Dickinson State Park T", "Lake Manatee State Park P", 
    "Lake Manatee State Park T", "Long Key State Park P", "Lovers Key State Park P", 
    "Lovers Key State Park T", "Myakka River State Park P", "Myakka River State Park T", 
    "Oscar Scherer State Park P", "Paynes Creek Historic State Park P", 
    "Pumpkin Hill Creek Preserve State Park T", "Savannas Preserve State Park P", 
    "Seabranch Preserve State Park T", "Sebastian Inlet State Park P", 
    "Sebastian Inlet State Park T", "Terra Ceia Preserve State Park T", 
    "Werner-Boyce Salt Springs State Park T")), class = "data.frame", row.names = c(NA, 
-38L), vars = "newsites", drop = TRUE, .Names = "newsites"))

标签： rpattern-matchingstring-matching

解决方案

character假设要匹配的两个字符串之间的唯一区别是空格分隔的单个字符，这里是使用的tidyverse替代方法dplyr::left_join

library(tidyverse);
df2 %>%
    ungroup() %>%
    mutate(ParkName = gsub("\\s[A-Za-z]$", "", newsites)) %>%
    left_join(df1, by = "ParkName") %>%
    select(newsites, precip)
## A tibble: 38 x 2
#   newsites                                    precip
#   <chr>                                        <dbl>
# 1 Alafia River State Park T                    164.
# 2 Blue Spring State Park P                     104.
# 3 Collier-Seminole State Park T                156.
# 4 Curry Hammock State Park P                   127.
# 5 Highlands Hammock State Park T               132.
# 6 Jonathan Dickinson State Park P               94.3
# 7 Jonathan Dickinson State Park T               94.3
# 8 John D. MacArthur Beach State Park P         152.
# 9 Dr. Von D. Mizell-Eula Johnson State Park P  168.
#10 Long Key State Park P                        129.
## ... with 28 more rows

请注意，这df1是您的“数据框 1”和df2您的“数据框 2”。

推荐阅读