如何清理R中的数据

Question

在这里输入图像描述我正在通过自动化他的一项工作来帮助我的教授。他有一个Word文档，其中包含以表格形式的学生的信息，并且每个文档中都有许多表（有时在数百个文档中）。我在R中创建了以下功能以从Word提取数据

library(xml2)
get_tbls <- function(word_doc) {
  tmpd <- tempdir()
  tmpf <- tempfile(tmpdir=tmpd, fileext=".zip")
  
  file.copy(word_doc, tmpf)
  unzip(tmpf, exdir=sprintf("%s/docdata", tmpd))
  
  doc <- read_xml(sprintf("%s/docdata/word/document.xml", tmpd))
  
  unlink(tmpf)
  unlink(sprintf("%s/docdata", tmpd), recursive=TRUE)
  
  ns <- xml_ns(doc)
  
  tbls <- xml_find_all(doc, ".//w:tbl", ns=ns)
  
  lapply(tbls, function(tbl) {
    
    cells <- xml_find_all(tbl, "./w:tr/w:tc", ns=ns)
    rows <- xml_find_all(tbl, "./w:tr", ns=ns)
    dat <- data.frame(matrix(xml_text(cells), 
                             ncol=(length(cells)/length(rows)), 
                             byrow=TRUE), 
                      stringsAsFactors=FALSE)
    colnames(dat) <- dat[1,]
    dat <- dat[-1,]
    rownames(dat) <- NULL
    dat
    
  })
  
}

此函数从Word文档中提取数据，之后，我使用WriteXl软件包将数据导出到Excel，但它也显示了我不需要的内容。

Answer 1

目前尚不清楚您需要什么，但我可能会使用DPLYR来清洁数据框架。

使用您的数据框架dat：

dat <- dat %>%
select(c(text, level))%>%
filter(text!="")%>%
filter(level!="")

或

dat <- dat %>%
select(-c(doc_index, content_type, is_header))