R 如何跨多个CSV测试特定列名的存在性

我有大约60个要合并的

csv

文件。一个挑战是列的命名不一致，尽管实际上所有文件（应该）都有相同的数据

为了解决这个问题，我想首先测试哪些文件有特定的列名（哪些没有）。我有一个字符串向量，其中每个元素反映一个列名，要检查它是否存在于每个csv文件中

我正在尝试实现一个数据帧，该数据帧将具有：

• 列：每列对应一个我要测试是否存在的列名
• 行：每行对应一个csv文件
• 值：在每个单元格中，使用

  0

  或

  1

  标记csv文件是否具有列名

例如，3个CSV

库（tidyverse）
df_1如果您只希望列的索引与
col_names_to_test
匹配，可以使用以下方法：

library('data.table')
library('dplyr')

col_names_to_test = c('date', 'name', 'age', 'age_value', 'gender')

# define columns indexes matching the pattern
DefCols = function(input_path, patterns) {
  pattern = patterns %>%
    str_flatten('|')
  cols = input_path %>%
    fread(nrows = 1) %>%
    colnames() %>%
    str_which(pattern)
  return(cols)
}

# define the input directory
input_dir = ''

cols = input_dir %>%
  dir(pattern = '.*.csv$', full.names = TRUE, recursive = TRUE) %>%
  lapply(DefCols, col_names_to_test)

但是，如果还希望仅加载具有匹配列的数据帧，则可以对其进行扩展，如下所示：

library('data.table')
library('dplyr')

col_names_to_test = c('date', 'name', 'age', 'age_value', 'gender')

# define columns indexes matching the pattern
LoadDF = function(input_path, patterns) {
  pattern = patterns %>%
    str_flatten('|')
  cols = input_path %>%
    fread(nrows = 1) %>%
    colnames() %>%
    str_which(pattern)
  df = input_path %>%
    fread(drop = -cols) %>%
    as.data.frame()
  return(df)
}

# define the input directory
input_dir = ''

dfs = 'input_dir' %>%
  dir(pattern = '.*.csv$', full.names = TRUE, recursive = TRUE) %>%
  lapply(LoadDF, col_names_to_test)

注意：当我加载数据以检查列名时，我只保留第一行（
nrows=1
），因为我不关心每个单元格中的值。
定义一个函数
ok
，该函数给定的文件名
f
返回一个命名的0/1向量，该向量的长度与
col\u names\u to\u test
的相应组件作为列名存在于该文件中，则返回1，否则返回0。然后定义文件名向量
文件
。为其命名，不带扩展名，并使用
map\u dfr
对其应用
ok

这相当紧凑，仅使用purrr

library(purrr)

ok <- function(f) +setNames(col_names_to_test %in% names(read.csv(f)), col_names_to_test)
files <- Sys.glob("csv_*.csv")
shortnames <- sub("\\.csv$", "", basename(files))
files %>% setNames(shortnames) %>% map_dfr(ok, .id = "file")

库（purrr）
好的，太棒了。我只想补充一点，在我的例子中，我将
文件
与
文件一起分配，您是否介意解释
+
在
集合名
之前在函数
ok
中的作用，该函数将逻辑向量转换为0/1向量。试试
+c（TRUE，FALSE）
也在处理完整路径名的解决方案中添加了短名称行。我还有一个问题，我想知道是否需要单独的帖子或者可以添加到这里——调整
ok
函数（或者创建
ok\u 2
是否足够简单这样它也会返回
1
进行部分匹配？例如，如果<代码> COLLYNAMESSUTASTest有<代码>年龄< /代码>，并且<代码> CVSy3有<代码> AGEL值> /代码>，我们将认为这是一个匹配，因为<代码> AGEJORIVE值包含<代码>年龄>代码>作为子串。如果我们不知道CSV中列名的确切措辞，但可以猜测“age”列可能至少有
age
作为子字符串，那么这将非常有用。
# A tibble: 3 x 6
  file   date  name   age age_value gender
  <chr> <int> <int> <int>     <int>  <int>
1 csv_1     1     1     1         0      1
2 csv_2     0     0     1         0      0
3 csv_3     1     1     0         1      1