library(tidyverse)
Suponha o seguinte dataset:
formula_one <- tibble(
driver_name = c("Carlo Abate",
"George Abecassis","Kenny Acheson","Andrea de Adamich",
"Philippe Adams","Walt Ader","Kurt Adolff","Fred Agabashian",
"Kurt Ahrens Jr."),
nationality = c("Italy","United Kingdom",
"United Kingdom","Italy","Belgium","United States",
"West Germany","United States","West Germany"),
seasons_competed = c("1962 – 1963","1951 – 1952",
"1983 , 1985","1968 , 1970 – 1973","1994","1950",
"1953","1950 – 1957","1966 – 1969")
)
# A tibble: 9 x 3
driver_name nationality seasons_competed
<chr> <chr> <chr>
1 Carlo Abate Italy 1962 – 1963
2 George Abecassis United Kingdom 1951 – 1952
3 Kenny Acheson United Kingdom 1983 , 1985
4 Andrea de Adamich Italy 1968 , 1970 – 1973
5 Philippe Adams Belgium 1994
6 Walt Ader United States 1950
7 Kurt Adolff West Germany 1953
8 Fred Agabashian United States 1950 – 1957
9 Kurt Ahrens Jr. West Germany 1966 – 1969
Minha intenção é deixar a base no formato tidy.
Fiz o seguinte:
- usei
separate_rows()
para separar as linhas pela vírgula, - filtrei apenas os que continham o padrão
DDDD - DDDD
- usei
separate_rows()
novamente, dessa vez para separar as linhas pelo hífen, - converti a coluna "seasons_competed" para o formato numérico.
formula_one_subset <-
formula_one %>%
separate_rows(seasons_competed, sep = " , ") %>%
filter(str_detect(seasons_competed, pattern = "[0-9]{4} – [0-9]{4}")) %>%
separate_rows(seasons_competed, sep = " – ") %>%
mutate(seasons_competed = as.integer(seasons_competed))
# A tibble: 10 x 3
driver_name nationality seasons_competed
<chr> <chr> <int>
1 Carlo Abate Italy 1962
2 Carlo Abate Italy 1963
3 George Abecassis United Kingdom 1951
4 George Abecassis United Kingdom 1952
5 Andrea de Adamich Italy 1970
6 Andrea de Adamich Italy 1973
7 Fred Agabashian United States 1950
8 Fred Agabashian United States 1957
9 Kurt Ahrens Jr. West Germany 1966
10 Kurt Ahrens Jr. West Germany 1969
A partir daqui não consigo avançar.
Imaginei que a função complete()
resolveria. Mas não deu certo:
formula_one_subset %>%
complete(seasons_competed = min(formula_one_subset$seasons_competed):max(formula_one_subset$seasons_competed)) %>%
print(n=Inf)
A tibble: 24 x 3
seasons_competed driver_name nationality
<int> <chr> <chr>
1 1950 Fred Agabashian United States
2 1951 George Abecassis United Kingdom
3 1952 George Abecassis United Kingdom
4 1953 NA NA
5 1954 NA NA
6 1955 NA NA
7 1956 NA NA
8 1957 Fred Agabashian United States
9 1958 NA NA
10 1959 NA NA
11 1960 NA NA
12 1961 NA NA
13 1962 Carlo Abate Italy
14 1963 Carlo Abate Italy
15 1964 NA NA
16 1965 NA NA
17 1966 Kurt Ahrens Jr. West Germany
18 1967 NA NA
19 1968 NA NA
20 1969 Kurt Ahrens Jr. West Germany
21 1970 Andrea de Adamich Italy
22 1971 NA NA
23 1972 NA NA
24 1973 Andrea de Adamich Italy
No entanto, isto não dá certo por uma série de motivos.
"Fred Agabashian" competiu de 1950 a 1957 e isto não está na tabela gerada
Pensei que eu poderia usar fill()
para preencer os NA da coluna "driver_name". Mas também não dá certo.
Para ficar em um exemplo: "Carlo Abate" só competiu os anos de 1962 e 1963. No entant, se eu uso fill()
para preencher em qualquer dos dois sentidos, vou incorrer em erro.
Em suma, o que esperaria obter seria:
A tibble: 20 x 3
driver_name nationality seasons_competed
<chr> <chr> <int>
1 Carlo Abate Italy 1962
2 Carlo Abate Italy 1963
3 George Abecassis United Kingdom 1951
4 George Abecassis United Kingdom 1952
5 Andrea de Adamich Italy 1970
6 Andrea de Adamich Italy 1971
7 Andrea de Adamich Italy 1972
8 Andrea de Adamich Italy 1973
9 Fred Agabashian United States 1950
10 Fred Agabashian United States 1951
11 Fred Agabashian United States 1952
12 Fred Agabashian United States 1953
13 Fred Agabashian United States 1954
14 Fred Agabashian United States 1955
15 Fred Agabashian United States 1956
16 Fred Agabashian United States 1957
17 Kurt Ahrens Jr. West Germany 1966
18 Kurt Ahrens Jr. West Germany 1967
19 Kurt Ahrens Jr. West Germany 1968
20 Kurt Ahrens Jr. West Germany 1969
Aliás, o caminho está correto ou a abordagem poderia ter sido outra desde o início (uma que não passasse, por exemplo, pelo separate_rows()
)?