使用跨多个Data.Frame的循环整理数据

我是第一次尝试理解R的初学者，在学习R的过程中遇到了一系列的问题，我很难找到答案

我遇到的问题如下

如何创建循环以过滤掉数据的某些方面

如何从文件夹中导入大量.CSV文件，然后应用循环以清除额外数据并过滤掉数据，包括将变量名设置为其文件名

这基本上是我想要的过滤器，但我需要将其应用于一系列.CSV文件，并将其输出到新的CSV文件

rainfallg1 = read.csv("120015A.csv",
            stringsAsFactors=FALSE, 
            sep=",",
            rainfall_filter <- rainfallg1[,1:3])

# This section names the columns and numerically codes them making it easy to filter.

names(rainfall_filter)[1] <- "Time_Date"
names(rainfall_filter)[2] <- "Rainfall"
names(rainfall_filter)[3] <- "Code_of_Standard"

rainfall_filter$Rainfall <- as.integer(rainfall_filter$Rainfall)
rainfall_filter$Code_of_Standard <- as.integer(rainfall_filter$Code_of_Standard)

rainfall_filter_1 <- filter(rainfall_filter, Code_of_Standard <= 83) 

rainfallg1=read.csv（“120015A.csv”，
stringsAsFactors=FALSE，
sep=“，”，
您可以使用
list.files
获取所有文件名的列表，并使用
lappy
/
map

library(dplyr)
filenames <- list.files(pattern = '\\.csv$', full.names = TRUE)

purrr::map(filenames, ~.x %>% 
                #Read the data
                read.csv(stringsAsFactors=FALSE) %>%
                #Select only first 3 columns
                select(1:3) %>%
                #Rename the columns
                setNames(c('Time_Date', 'Rainfall', 'Code_of_Standard')) %>%
                #Change `Rainfall` and  `Code_of_Standard` columns to integer
                mutate(across(Rainfall, Code_of_Standard), as.integer) %>%
                #keep only rows less than equal to 83 in Code_of_Standard
                filter(Code_of_Standard <= 83) %>%
                #Write the csv file.
                write.csv(paste0(tools::file_path_sans_ext(basename(.x)), 
                          '_new.csv'), row.names = FALSE)
      )

库（dplyr）
文件名%
#读取数据
read.csv（stringsAsFactors=FALSE）%>%
#仅选择前3列
选择（1:3）%>%
#重命名列
集合名称（c（‘时间’、‘日期’、‘降雨量’、‘标准代码’））%>%
#将“标准”列的“降雨”和“代码”更改为整数
变异（跨越（降雨，标准的代码），如.integer）%>%
#在标准代码_中，仅保留小于等于83的行
过滤器（标准的代码%
#写入csv文件。
write.csv（粘贴0（工具：：文件路径无扩展（basename（.x）），
“_new.csv”），row.names=FALSE）
)

这将在您的工作目录中写入新文件。如果您的旧文件被称为
df1.csv
和
df2.csv
这将写入
df1_new.csv
和
df2_new.csv
这些“120015A.csv”中有多少个文件在那里，它们是否遵守一个明显的命名约定？@anguyen1210有1000多个文件，但是名称发生了变化，但在6个数字值和一个相关的字母值方面保持了相同的形式。不管我怎么问，下面看到的是@Ronak的答案，它使用list.files（）和map（）轻松解决了这个问题.解决方案很好。。。