如何高效清洗R语言中的货币类销售数据？

优先清洗步骤及原因 #

• 第一步：批量提取数值核心
  先把所有字段里的干扰字符（$、%、逗号、空格、手动标注的冗余文字）全部去掉，将字符列转成数值型。
  原因：数值型的计算与转换效率远高于字符型的逐字符匹配替换，能避免后续格式转换时的正则遗漏问题（比如有的价格写“1234元”、有的写“$567.8”），而且向量化的数值提取操作比循环处理快几个量级。
• 第二步：按字段需求格式化输出
  基于转好的数值型列，直接用格式化函数生成符合要求的字符串格式。
  原因：基于数值的格式化不会出现字符匹配错误，封装好的向量化格式函数能批量处理整列，比手动拼接字符串更高效且不易出错。
• 第三步：批量赋值回原数据结构
  一次性将格式化后的列替换回原数据框/data.table，避免多次修改数据结构带来的内存开销。
  原因：多次修改数据框会触发多次复制，大数据量下内存占用会飙升，批量赋值能减少不必要的内存消耗。

适用的R包 #

• readr：核心工具是parse_number()，能一键提取字符中的有效数值，不管前后有什么干扰符号，向量化处理速度极快，比自己写正则匹配高效得多。
• scales：专门为数据可视化和格式化设计，内置dollar_format()、percent_format()、comma_format()，直接生成符合要求的格式字符串，不用手动拼接前缀、千分位符号，代码简洁且出错率低。
• data.table：如果数据量达到百万级以上，用它的原地修改操作（set()）能避免数据复制，内存占用比dplyr低很多，批量处理多列的速度优势明显。

冷门高效技巧 #

• 批量数值提取：parse_number + purrr::map
  不用逐个列写提取逻辑，一行代码搞定所有需要转数值的列：

  library(readr)
  library(purrr)
  df[, c("price", "discount_price", "discount_rate", "rating_count")] <- 
    map(df[, c("price", "discount_price", "discount_rate", "rating_count")], parse_number)
  

  原理是map函数自动遍历指定列，调用parse_number提取数值，比循环或者逐个mutate快得多。
• 一键格式化：dplyr::across + scales工具
  用dplyr的across函数批量对不同列应用对应的格式化规则，一行代码完成所有任务：

  library(dplyr)
  library(scales)
  df <- df %>%
    mutate(
      across(c(price, discount_price), dollar_format(prefix = "$", big.mark = ",", accuracy = 0.01)),
      across(discount_rate, percent_format(accuracy = 1)),
      across(rating_count, comma_format(big.mark = ","))
    )
  

  这里的accuracy参数控制小数位数，percent_format会自动把数值转成百分比（比如0.25变成25%），不用手动乘以100再拼%符号。
• 大数据量原地修改：data.table::set
  如果数据量极大，用data.table的set函数原地修改列，完全避免数据复制，内存占用极低：

  library(data.table)
  library(scales)
  setDT(df) # 转成data.table格式
  set(df, j = c("price", "discount_price"), value = dollar_format()(df[, .(price, discount_price)]))
  set(df, j = "discount_rate", value = percent_format(accuracy = 1)(df$discount_rate))
  set(df, j = "rating_count", value = comma_format()(df$rating_count))
  

内容的提问来源于stack exchange，提问作者nysafairy