0

Montei uma base de dados climáticos com 5,5 milhões de observações, só que percebi um problema.

Há estações duplicadas, são a mesma estação, porém possuem nomes diferentes por causa da fonte de dados onde foram retiradas.

Exemplo: Coluna: Estação; linha 1: "A401"; linha 2: "Salvador zoológico A401"

Eu gostaria de uma luz para conseguir eliminar todas as linhas repetidas que contém o "A401" em comum. Por exemplo, queria que na saída, sobrasse apenas a linha com o código "A401" e todas as outras linhas com "Salvador zoológico A401" fossem excluídas.

Só que existe um porém, esse processo tem que ser automático, eu apenas quero indicar a string em comum que deve ser usada como condição para eliminação das outras linhas.

1 Resposta 1

2

A função abaixo elimina todas as linhas em que a string a manter é sub-string.

set.seed(2022)

Estação <- c("A401", "Salvador zoológico A401")
Estação <- c(Estação, "B201", "Outro Nome B201", paste0(LETTERS, "001"))
dados <- data.frame(Estação = sample(Estação, 100, TRUE))

eliminar <- function(x, col = "Estação", E) {
  i <- grepl(E, x[[col]])
  j <- nchar(x[[col]]) == nchar(E)
  y <- rbind(x[i & j, , drop = FALSE], x[!i, , drop = FALSE])
  row.names(y) <- NULL
  y
}
eliminar(dados, E = "A401")
eliminar(dados, E = "B201")
1
  • Resolvido de forma certeira, muito obrigado!! 9/08/2022 às 14:23

Você deve fazer log-in para responder a esta pergunta.

Esta não é a resposta que você está procurando? Pesquise outras perguntas com a tag .