R语言中无法用常规方法移除数据框空白行及清理空白字符的问题

问题场景 #

我有一个名为PKV_clean的数据框，无法移除其中的第8行；同时处理第12行的空白字符时也遇到问题：

数据框内容：

PKV_clean
   ID            x
1   1      scharfkantig
2   1                 t
4   1    seit paartagen
8   1                  
10  1          knirscht
11  1  schiene empohlen
12  1           meldet 

尝试了以下代码均无效：

1. 移除NA及空白行：

PKV_clean <- PKV_clean[!apply(is.na(PKV_clean) | PKV_clean == " ", 1, all),]
PKV_clean <- PKV_clean[!(is.na(PKV_clean$x) | PKV_clean$x ==""), ]

2. 用tm_map移除空白字符：

PKV_clean <-  tm_map(PKV_clean, stripWhitespace)

补充的dput输出：

dput(PKV_clean)
structure(list(ID = c("1", "1", "1", "1", "1", "1", "1"), x = c("    scharfkantig", 
"t", " seit paartagen", " ", " knirscht", " schiene empohlen", 
"  meldet ")), row.names = c(1L, 2L, 4L, 8L, 10L, 11L, 12L), class = "data.frame")

问题根源 #

从dput结果可以明确问题原因：

• 第8行的x列是单个空格，而非空字符串，所以PKV_clean$x == ""无法匹配；
• 第一个apply代码检查整行是否全为NA或空格，但ID列是有效值"1"，因此整行不满足筛选条件；
• tm_map是tm包针对语料库对象的处理函数，直接作用于数据框不会生效。

解决方案 #

1. 移除空白行（第8行） #

可以通过两种方式精准匹配仅含空白的行：

方式一：先去除前后空白再筛选

# 去除x列字符串的前后空白，再筛选非空行
PKV_clean <- PKV_clean[trimws(PKV_clean$x) != "", ]

trimws()会去掉字符串首尾的所有空白（空格、制表符等），处理后为空的行即为仅含空白的行。

方式二：用正则匹配空白行

# 匹配x列仅由空白字符组成的行并移除
PKV_clean <- PKV_clean[!grepl("^\\s*$", PKV_clean$x), ]

正则表达式^\\s*$匹配从开头到结尾全是空白（包括0个或多个空白字符）的字符串，能覆盖所有纯空白的情况。

2. 移除文本中的空白字符（如第12行的前后空格） #

去除首尾空白

# 批量处理x列所有字符串的首尾空白
PKV_clean$x <- trimws(PKV_clean$x)

合并中间的多个空白（若需要）

如果文本中间有多个连续空格，可合并为单个：

# 将x列字符串中的多个连续空白替换为单个空格
PKV_clean$x <- gsub("\\s+", " ", PKV_clean$x)

3. 正确使用tm_map处理文本 #

若要使用tm包处理文本，需先将数据框的文本列转换为语料库对象：

library(tm)
# 将x列转换为语料库
corpus <- VCorpus(VectorSource(PKV_clean$x))
# 移除多余空白
corpus <- tm_map(corpus, stripWhitespace)
# 将处理后的语料库转回数据框
PKV_clean$x <- sapply(corpus, as.character)

内容的提问来源于stack exchange，提问作者KC-Migo