在R中合并数据集后出现字符串值不完整问题

我在R中合并两个数据集时，遇到了合并后某变量字符串值不完整的问题——合并前目录数据中的字符串是完整的，但合并后部分字符串被截断。

我的R代码如下：

# Librerias
library(dplyr)
library(tidyr)
library(tidyverse)
library(readxl)
library(readr)
library(base)
library(stringr)
library(foreign)
library(forcats)
library(fs)
library(hablar)
library(openxlsx)

# Comercio CIIU
# Mercancias
Catalogo_comercio_CIIU <- read_excel("Comercio/Catalogo comercio bienes CIIU.xlsx") %>%
  mutate(ACTIV4=CIIU)

CIIU_Exportaciones <- read_excel("Comercio/CIIU Exportaciones.xlsx") %>% 
  pivot_longer(cols = -...1, names_to = "Period", values_to = "Valor") %>% 
  mutate(Flujo="Exportaciones")

CIIU_Importaciones <- read_excel("Comercio/CIIU Importaciones.xlsx") %>% 
  pivot_longer(cols = -...1, names_to = "Period", values_to = "Valor") %>% 
  mutate(Flujo="Importaciones")

Length<- CIIU_Exportaciones %>% group_by(...1) %>% 
  summarise(Obs=n())
Length<- Length$Obs[[1]] %>% 
  as.numeric() %>% 
  as.vector()

# Mensual
Comercio_bienes_mensual <- rbind(CIIU_Importaciones, CIIU_Exportaciones) %>% 
  rename(Actividad="...1") %>% group_by(Flujo, Actividad) %>% 
  mutate(Fecha=seq(from=as.Date("1994-01-01"), by="month", length.out=Length)) %>% 
  mutate(Year=str_sub(Fecha, 1L,4L), Mes=str_sub(Fecha, 6L,7L)) %>% 
  group_by(Flujo, Actividad, Year) %>% 
  mutate(Acumulado=cumsum(Valor)) %>% 
  group_by(Flujo, Actividad) %>% 
  mutate( C_acumulado= Acumulado-lag(Acumulado, n=12L), TC_acumulado=Acumulado/lag(Acumulado, n=12L)-1 ) %>% 
  merge(Catalogo_comercio_CIIU,  by="Actividad") %>% 
  select(-Grupo,-Detalle,-Categoria1,-Categoria2)

解决步骤 #

• 检查合并键的一致性
  确保两个数据集的Actividad列字符串完全匹配，包括首尾空格、特殊字符。可以用str_trim()去除多余空格：

  # 处理目录数据的合并键
  Catalogo_comercio_CIIU <- Catalogo_comercio_CIIU %>% 
    mutate(Actividad = str_trim(Actividad))
  # 处理待合并数据的合并键
  pre_merge_data <- rbind(CIIU_Importaciones, CIIU_Exportaciones) %>% 
    rename(Actividad="...1") %>% 
    mutate(Actividad = str_trim(Actividad))
  

  之后用处理后的pre_merge_data继续后续步骤再合并。

• 调整Excel读取方式
  read_excel()可能对长字符串处理有限，尝试指定列类型为字符型，或换用openxlsx的read.xlsx()：

  # 指定列类型读取
  Catalogo_comercio_CIIU <- read_excel(
    "Comercio/Catalogo comercio bienes CIIU.xlsx",
    col_types = rep("text", ncol(read_excel("Comercio/Catalogo comercio bienes CIIU.xlsx")))
  ) %>% mutate(ACTIV4=CIIU)
  
  # 或用openxlsx读取
  Catalogo_comercio_CIIU <- read.xlsx("Comercio/Catalogo comercio bienes CIIU.xlsx") %>% 
    mutate(ACTIV4=CIIU)
  

• 替换合并函数
  改用dplyr的left_join()替代merge()，它对字符型变量的兼容性更好：

  Comercio_bienes_mensual <- rbind(CIIU_Importaciones, CIIU_Exportaciones) %>% 
    rename(Actividad="...1") %>% 
    group_by(Flujo, Actividad) %>% 
    mutate(Fecha=seq(from=as.Date("1994-01-01"), by="month", length.out=Length)) %>% 
    mutate(Year=str_sub(Fecha, 1L,4L), Mes=str_sub(Fecha, 6L,7L)) %>% 
    group_by(Flujo, Actividad, Year) %>% 
    mutate(Acumulado=cumsum(Valor)) %>% 
    group_by(Flujo, Actividad) %>% 
    mutate( C_acumulado= Acumulado-lag(Acumulado, n=12L), TC_acumulado=Acumulado/lag(Acumulado, n=12L)-1 ) %>% 
    left_join(Catalogo_comercio_CIIU, by="Actividad") %>% 
    select(-Grupo,-Detalle,-Categoria1,-Categoria2)
  

• 检查字符串长度
  用str_length()对比合并前后的字符串长度，确认是否真的被截断：

  # 合并前目录数据的字符串长度
  Catalogo_comercio_CIIU %>% 
    mutate(str_len = str_length(Actividad)) %>% 
    select(Actividad, str_len)
  
  # 合并后数据的字符串长度
  Comercio_bienes_mensual %>% 
    mutate(str_len = str_length(Actividad)) %>% 
    select(Actividad, str_len)
  

内容的提问来源于stack exchange，提问作者Miguel A.