R中字符转数值的安全方法及按国计算平均身高的正确性验证

我在R中有一个dataframe（其中height列为字符型），数据如下：

sampledf = structure(list(person_name = c("Charlie", "Charlie", "Julia", 
"Bob", "Fatima", "Erik", "Diana", "Fatima", "Ian", "Julia", "Erik", 
"Charlie", "Ian", "Ian", "Ian", "Charlie", "Hannah", "Julia", 
"George", "Julia"), country = c("USA", "Sweden", "India", "USA", 
"Sweden", "Brazil", "India", "Japan", "Brazil", "USA", "USA", 
"Japan", "Sweden", "India", "Brazil", "Brazil", "Sweden", "USA", 
"Japan", "Brazil"), height = c("175 cm", "162cm", "168", "not measured", 
"155 cm", "height not provided", "180", "declined", "172 cm",     "165", "N/A", "178 cm", "150cm", "refuse to share", "169", "177 cm", 
"182", "173 cm", "unknown", "158 cm")), row.names = c(NA, -20L
), class = "data.frame")

对应的表格预览：

我需要计算各国的平均身高，想确认使用以下代码将字符型转为数值型后计算平均值是否安全：

sampledf$height  = as.numeric(as.character(sampledf$height))
aggregate(height ~ country, data=sampledf, FUN=mean, na.rm=TRUE)

理想状态下，无法转为数值的内容会被设为NA并在求平均时忽略，请问这样的处理是否正确？

你的现有代码不正确，不能直接用as.numeric()转换height列。原因是像"175 cm"、"162cm"这类带单位或空格的有效身高字符串，直接转数值会被识别为非数字，返回NA，导致大量有效数据被误丢弃，计算出的平均值完全不准确。

正确的处理步骤应该是先提取字符串中的数字部分，再转为数值型：

方法1：使用base R处理 #

# 提取所有数字字符，转为数值
sampledf$height_num <- as.numeric(gsub("[^0-9]", "", sampledf$height))

# 计算各国平均身高，忽略NA值
aggregate(height_num ~ country, data = sampledf, FUN = mean, na.rm = TRUE)

方法2：使用stringr包（更直观） #

library(stringr)

# 提取字符串中的数字部分
sampledf$height_num <- as.numeric(str_extract(sampledf$height, "\\d+"))

# 计算平均值
aggregate(height_num ~ country, data = sampledf, FUN = mean, na.rm = TRUE)

两种方法都会把"175 cm"转为175、"162cm"转为162，而像"not measured"、"N/A"这类无效值会被转为NA，配合na.rm=TRUE就能在计算平均值时自动忽略这些无效数据，得到正确的各国平均身高。

内容的提问来源于stack exchange，提问作者nov62024