I have this dataframe:
df <- structure(list(Stratigraphy = c("B", "B", "B", "B", "B", "B",
"B", "B", "B", "B", "K", "F", "B", "B", "E", "B-C", "B-C", "B-C",
"?", "B-C", "C?", "C?", "B-C", "B-C", "B-C", "?", "E-F-", "E-F-",
"E-F-", "C", "F", "F", "E", "E", "B", "F", "F", "F", "F", "F",
"F", "B", "D?", "E", "E", "E", "E", "E", "?", "F", "F", "F",
"F", "F", "F", "F", "F", "F", "F", "F", "F", "F", "F", "E-F",
"F", "G", "G", "G", "D", "C", "Finf", "Finf", "Finf", "D", "C",
"C", "C", "C", "C", "C", "C", "C", "C", "C", "D", "C?", "G",
"G", "G", "G", "G", "G", "G", "G", "G", "G", "D", "D", "Dmoy",
"G", "G-G", "G-G", "G-G", "B-C", "G", "G-G", "G-G", "G-G", "D",
"C", "F", "D", "D", "C", "C", "C", "C", "Dupper", "Dupper", "Dupper",
"B", "B", "B", "F", "G", "G", "G", "G", "G", "G", "G", "G", "G",
"C", "C", "C", "C", "C", "C", "E", "?", "F-F", "E-E", "C", "C",
"C", "C", "C", "C", "C", "C", "C", "C?", "C?", "C?", "C?", "G",
"G", "B", "?", "B", "B", "G", "G", "C", "?", "B-B", "B", "G-G",
"G", "G", "G", "C(C?)", "F", "F", "F", "F", "F", "F", "F", "F",
"F", "F", "F", "F", "F", "F", "F", "F", "F", "F", "L", "L", "K",
"C", "C", "G", "G", "G", "J", "J", "K", "K", "F", NA, "L", "L",
"L", "L", "L", NA, NA, "E", "E", "G", "G", "G", "G", "G", "?",
"E", NA, NA, "E", "E", "E", "E", "E", "E", "E", "E", "E", "E",
"E", "E", "?", "?", "C", "H-H", "G-G", "G-G", "G-G", "G-G", "G-G",
"G-G", "G-G", "G-G", "G-G", "G-G", "G-G", "G-G", "G-G", "G-G",
"F-F", "F-F", "F-F", "F-F", "F-F", "C", "C", "L", "G-G", "H",
"F", "B", "B", "B", "B", "B", "B", "B", "B", "B", "B", "B", NA,
"B"), MD = c(8.33333333333333, 9.17666666666667, NaN, NaN, 9.17,
NaN, 8.11, 11.6, 9.17666666666667, 9.03, 16.85, 4.785, 15.01,
14.85, NaN, 9.34, 16.6633333333333, NaN, NaN, 14.49, NaN, NaN,
NaN, NaN, NaN, NaN, NaN, NaN, NaN, 13.5833333333333, NaN, 13.25,
15.1466666666667, NaN, NaN, 7.96333333333333, NaN, NaN, 16.7466666666667,
NaN, 14.1333333333333, 13.6166666666667, NaN, NaN, 10.0066666666667,
NaN, 13.0966666666667, NaN, NaN, NaN, NaN, NaN, 8.41, NaN, NaN,
12.6466666666667, NaN, NaN, NaN, NaN, 13.5233333333333, 17.53,
NaN, NaN, NaN, 9.53, NaN, 16.1666666666667, 9.39, 13.0133333333333,
12.9433333333333, NaN, NaN, 13.7633333333333, 13.9466666666667,
14.4566666666667, 13.21, 12.71, 12.86, 9.03666666666667, NaN,
NaN, 9.67, NaN, 9.3, 11.3433333333333, 13.54, 14.94, NaN, 9.32333333333333,
17.9, 9.99, NaN, NaN, NaN, 15.06, 13.11, NaN, 13.7633333333333,
NaN, 15.1333333333333, 8.67, 13.1066666666667, 17.52, NaN, 19.2133333333333,
12.49, 18.5033333333333, 12.09, NaN, 11.1533333333333, NaN, NaN,
NaN, 8.44666666666667, 8.00333333333333, 9.68666666666667, NaN,
14.2566666666667, NaN, 14.26, 11.0533333333333, 8.70666666666667,
10.5666666666667, 17.81, 16.5633333333333, NaN, NaN, NaN, NaN,
NaN, NaN, NaN, 15.2866666666667, NaN, NaN, 14.1466666666667,
NaN, 14.27, 14.5533333333333, NaN, 13.0933333333333, 10.19, NaN,
NaN, NaN, NaN, NaN, 12.7133333333333, NaN, 5.84, 14.9133333333333,
NaN, NaN, NaN, NaN, NaN, 12.91, 9.37333333333333, NaN, 9.24,
12.54, 9.98, 11.9066666666667, 14.4833333333333, NaN, 18.8, NaN,
10.6966666666667, 10.5266666666667, 10.4366666666667, 15.53,
13.26, NaN, NaN, 14.09, NaN, NaN, 9.16666666666667, NaN, NaN,
NaN, NaN, 8.29666666666667, NaN, 9.73, NaN, 9.97, NaN, 17.53,
NaN, NaN, 13.175, NaN, NaN, 13.4533333333333, NaN, NaN, NaN,
16.02, NaN, 14.82, 9.17333333333333, NaN, NaN, NaN, NaN, 12.3233333333333,
12.3266666666667, 12.47, NaN, NaN, NaN, NaN, NaN, 16.8666666666667,
NaN, NaN, 16.9566666666667, NaN, 14.9133333333333, NaN, NaN,
10.42, NaN, NaN, NaN, NaN, NaN, NaN, NaN, NaN, NaN, NaN, NaN,
NaN, NaN, 8.36666666666667, 9.9, 10.22, 14.1366666666667, 13.93,
NaN, NaN, 10.67, 17.12, 14.89, 11.5133333333333, 11.6266666666667,
15.6466666666667, 17.7466666666667, 11.09, 15.21, 17.8533333333333,
NaN, NaN, 19.7333333333333, NaN, 13.8733333333333, 16.8033333333333,
15.27, 13.11, NaN, 13.5766666666667, 10.7166666666667, 13.33,
13.33, NaN, NaN, 12.5833333333333, 12.5833333333333, NaN, NaN,
14.2266666666667, 10.83, 8.97, 10.0166666666667), BL = c(12.4866666666667,
13.3666666666667, NaN, 13.1, 12.43, NaN, 12.18, 13.5, NaN, 12.5566666666667,
15.89, 6.18, 12.86, 12.7933333333333, NaN, 7.845, 14.02, NaN,
NaN, 13.1566666666667, NaN, NaN, NaN, NaN, NaN, NaN, NaN, NaN,
NaN, 16.4133333333333, NaN, 16.0733333333333, 13.1266666666667,
NaN, NaN, 9.41666666666667, NaN, NaN, 12.6, NaN, 14.3233333333333,
11.54, NaN, NaN, NaN, 16.56, 15.5066666666667, NaN, NaN, NaN,
NaN, NaN, 11.1766666666667, NaN, NaN, 16.13, NaN, NaN, NaN, NaN,
16.2466666666667, NaN, NaN, NaN, NaN, 12.61, NaN, 14.7633333333333,
11.7833333333333, 12.1133333333333, NaN, NaN, NaN, 14.5633333333333,
12.68, 13.13, 15, 13.9633333333333, 13.74, NaN, NaN, NaN, 10.81,
NaN, 6.11, 9.3, 15.165, NaN, NaN, NaN, 15.7333333333333, 11.6766666666667,
NaN, NaN, NaN, 14.16, 12.48, NaN, 14.5633333333333, NaN, 13.73,
9.92666666666667, 14.0066666666667, 16.3066666666667, NaN, 19.2933333333333,
19.1, 17.0866666666667, 11.7233333333333, NaN, NaN, NaN, NaN,
12.43, 10.1466666666667, 9.91666666666667, 12.44, NaN, 16.28,
NaN, 13.37, 13.08, 12.8466666666667, 11.9633333333333, 15.4066666666667,
14.54, NaN, NaN, NaN, NaN, NaN, NaN, NaN, 13.26, NaN, NaN, NaN,
NaN, NaN, 15.4933333333333, NaN, 11.2966666666667, 12.1866666666667,
NaN, NaN, NaN, NaN, 14, 10.1033333333333, NaN, 5.96, 16.45, NaN,
NaN, NaN, NaN, 10.155, 11.1833333333333, 10.72, NaN, 13.4966666666667,
10.7633333333333, 7.505, 10.04, 12.96, NaN, 14.8233333333333,
NaN, 11.9866666666667, NaN, 17.2833333333333, 16.6566666666667,
11.41, NaN, NaN, 15.3, NaN, NaN, 12.86, NaN, NaN, NaN, NaN, 11.7466666666667,
NaN, 11.67, NaN, NaN, NaN, NaN, NaN, NaN, 11.6533333333333, NaN,
NaN, 12.38, NaN, NaN, NaN, 16.2, NaN, 16.69, 13.2166666666667,
NaN, NaN, NaN, NaN, 12.67, 13.4666666666667, 11.8166666666667,
NaN, NaN, NaN, NaN, NaN, 15.7333333333333, NaN, NaN, 14.84, NaN,
13.37, NaN, NaN, NaN, NaN, NaN, NaN, NaN, NaN, NaN, NaN, NaN,
NaN, NaN, NaN, NaN, NaN, 11.9866666666667, NaN, NaN, 12.6466666666667,
12.0533333333333, NaN, NaN, 12.0833333333333, 14.9166666666667,
13.9666666666667, 11.5333333333333, 12.81, 13.82, 14.9133333333333,
13.9733333333333, NaN, NaN, NaN, NaN, NaN, NaN, 14.4633333333333,
NaN, 12.4733333333333, 13.2333333333333, NaN, 14.1033333333333,
10.4966666666667, 12.22, 12.22, NaN, NaN, 14.66, 14.66, NaN,
NaN, 12.67, 12.07, 10.25, 13.555)), row.names = c(NA, -277L), class = c("tbl_df",
"tbl", "data.frame"))
If you see the values of the column Stratigraphy...
sort(unique(df$Stratigraphy))
[1] "?" "B" "B-B" "B-C" "C" "C(C?)" "C?" "D" "D?" "Dmoy" "Dupper"
[12] "E" "E-E" "E-F" "E-F-" "F" "F-F" "Finf" "G" "G-G" "H" "H-H"
[23] "J" "K" "L"
...you can realize that there are several Strata which might be duplicated. For instance, I would like to convert all B-B in B, all C(C?) in C, etc.
For this reason I used str_replace to accommodate each situation:
df2 <- df %>%
mutate(Stratigraphy = str_replace(Stratigraphy, "B-B" ,"B")) %>%
mutate(Stratigraphy = str_replace(Stratigraphy, "C(C?)", "C")) %>%
mutate(Stratigraphy = str_replace(Stratigraphy, "C?", "C")) %>%
mutate(Stratigraphy = str_replace(Stratigraphy, "D?", "D")) %>%
mutate(Stratigraphy = str_replace(Stratigraphy, "Dmoy", "D")) %>%
mutate(Stratigraphy = str_replace(Stratigraphy, "Dupper", "D")) %>%
mutate(Stratigraphy = str_replace(Stratigraphy, "E-E", "E")) %>%
mutate(Stratigraphy = str_replace(Stratigraphy, "F-F", "F")) %>%
mutate(Stratigraphy = str_replace(Stratigraphy, "Finf", "F")) %>%
mutate(Stratigraphy = str_replace(Stratigraphy, "G-G", "G")) %>%
mutate(Stratigraphy = str_replace(Stratigraphy, "H-H", "H"))
However, the result is not what I want:
df2$Stratigraphy
[1] "DCB" "DCB" "DCB" "DCB" "DCB" "DCB" "DCB" "DCB" "DCB" "DCB" "DCK"
[12] "DCF" "DCB" "DCB" "DCE" "DCB-C" "DCB-C" "DCB-C" "DC?" "DCB-C" "DC?" "DC?"
[23] "DCB-C" "DCB-C" "DCB-C" "DC?" "DCE-F-" "DCE-F-" "DCE-F-" "DC" "DCF" "DCF" "DCE"
[34] "DCE" "DCB" "DCF" "DCF" "DCF" "DCF" "DCF" "DCF" "DCB" "DCD?" "DCE"
[45] "DCE" "DCE" "DCE" "DCE" "DC?" "DCF" "DCF" "DCF" "DCF" "DCF" "DCF"
[56] "DCF" "DCF" "DCF" "DCF" "DCF" "DCF" "DCF" "DCF" "DCE-F" "DCF" "DCG"
[67] "DCG" "DCG" "DCD" "DC" "DCF" "DCF" "DCF" "DCD" "DC" "DC" "DC"
[78] "DC" "DC" "DC" "DC" "DC" "DC" "DC" "DCD" "DC?" "DCG" "DCG"
[89] "DCG" "DCG" "DCG" "DCG" "DCG" "DCG" "DCG" "DCG" "DCD" "DCD" "DCD"
[100] "DCG" "DCG" "DCG" "DCG" "DCB-C" "DCG" "DCG" "DCG" "DCG" "DCD" "DC"
[111] "DCF" "DCD" "DCD" "DC" "DC" "DC" "DC" "DCD" "DCD" "DCD" "DCB"
[122] "DCB" "DCB" "DCF" "DCG" "DCG" "DCG" "DCG" "DCG" "DCG" "DCG" "DCG"
[133] "DCG" "DC" "DC" "DC" "DC" "DC" "DC" "DCE" "DC?" "DCF" "DCE"
[144] "DC" "DC" "DC" "DC" "DC" "DC" "DC" "DC" "DC" "DC?" "DC?"
[155] "DC?" "DC?" "DCG" "DCG" "DCB" "DC?" "DCB" "DCB" "DCG" "DCG" "DC"
[166] "DC?" "DCB" "DCB" "DCG" "DCG" "DCG" "DCG" "DC(C?)" "DCF" "DCF" "DCF"
[177] "DCF" "DCF" "DCF" "DCF" "DCF" "DCF" "DCF" "DCF" "DCF" "DCF" "DCF"
[188] "DCF" "DCF" "DCF" "DCF" "DCL" "DCL" "DCK" "DC" "DC" "DCG" "DCG"
[199] "DCG" "DCJ" "DCJ" "DCK" "DCK" "DCF" NA "DCL" "DCL" "DCL" "DCL"
[210] "DCL" NA NA "DCE" "DCE" "DCG" "DCG" "DCG" "DCG" "DCG" "DC?"
[221] "DCE" NA NA "DCE" "DCE" "DCE" "DCE" "DCE" "DCE" "DCE" "DCE"
[232] "DCE" "DCE" "DCE" "DCE" "DC?" "DC?" "DC" "DCH" "DCG" "DCG" "DCG"
[243] "DCG" "DCG" "DCG" "DCG" "DCG" "DCG" "DCG" "DCG" "DCG" "DCG" "DCG"
[254] "DCF" "DCF" "DCF" "DCF" "DCF" "DC" "DC" "DCL" "DCG" "DCH" "DCF"
[265] "DCB" "DCB" "DCB" "DCB" "DCB" "DCB" "DCB" "DCB" "DCB" "DCB" "DCB"
[276] NA "DCB"
How can I proceed? What am I doing wrong?
We could extract uppercase, check, and reconstruct:
library(dplyr)
library(tidyr)
library(stringr)
df2 <-
df |>
mutate(elements = str_extract_all(Stratigraphy, "[A-Z]")) |>
unnest_wider(elements, names_sep = "_") |>
mutate(newStratigraphy = if_else(elements_1 == elements_2 | is.na(elements_2),
elements_1,
paste0(elements_1, "-", elements_2)))
Note. I am unnesting the columns for communicative reasons. You could work directly on the nested list elements if you want more compact code.
To check the output:
df2 |>
count(Stratigraphy, newStratigraphy) |>
print(n = 26)
Output:
# A tibble: 26 × 3
Stratigraphy newStratigraphy n
<chr> <chr> <int>
1 ? NA 9
2 B B 33
3 B-B B 1
4 B-C B-C 8
5 C C 38
6 C(C?) C 1
7 C? C 7
8 D D 8
9 D? D 1
10 Dmoy D 1
11 Dupper D 3
12 E E 24
13 E-E E 1
14 E-F E-F 1
15 E-F- E-F 3
16 F F 46
17 F-F F 6
18 Finf F 3
19 G G 39
20 G-G G 22
21 H H 1
22 H-H H 1
23 J J 2
24 K K 4
25 L L 8
26 NA NA 6
Alternatively, following your attempt with str_replace: When you want to recode categories and not make replacements inside the strings, your friend was recode, from dplyr >= 1.1.0 superseded in favour of case_match:
library(dplyr)
df |>
mutate(newStratigraphy = recode(Stratigraphy,
"B-B" = "B",
"C(C?)" = "C",
"C?" = "C",
"D?" = "D",
"Dmoy" = "D",
"Dupper" = "D",
"E-E" = "E",
"F-F" = "F",
"Finf" = "F",
"G-G" = "G",
"H-H" = "H"))
df |>
mutate(newStratigraphy = case_match(Stratigraphy,
"B-B" ~ "B",
c("C(C?)", "C?") ~ "C",
c("D?", "Dmoy", "Dupper") ~ "D",
"E-E" ~ "E",
c("F-F", "Finf") ~ "F",
"G-G" ~ "G",
"H-H" ~ "H",
.default = Stratigraphy))
With 26 categories, however, it can be a bit long..