在R中合并三个世界杯相关CSV文件遇问题求助

问题根源分析 #

出现0行结果或重复行的核心原因通常是两个：

1. Country列字符串格式不统一：比如大小写差异（USA vs usa）、前后空格（ USA vs USA）、拼写变体（South Korea vs Korea, South），导致merge时无法匹配条目。
2. 单文件内Country重复：某个CSV里同一个国家存在多条记录，合并后会生成重复行。

解决步骤 #

1. 标准化Country列格式

先对三个文件的Country列做统一清理，消除格式差异：

G <- read.csv("G.csv", fileEncoding="UTF-8-BOM")
GG <- read.csv("GG.csv", fileEncoding="UTF-8-BOM")
LL <- read.csv("LL.csv", fileEncoding="UTF-8-BOM")

# 去除前后空格+转成小写，统一匹配规则
G$Country <- trimws(tolower(G$Country))
GG$Country <- trimws(tolower(GG$Country))
LL$Country <- trimws(tolower(LL$Country))

2. 处理单文件内的重复Country（按需）

如果某个文件里同一个国家有多条记录，先去重（默认保留第一条，可按需调整）：

# 基础R去重方式
GG <- GG[!duplicated(GG$Country), ]
LL <- LL[!duplicated(LL$Country), ]
G <- G[!duplicated(G$Country), ]

# 或用dplyr更直观（需先加载包）
# install.packages("dplyr")
# library(dplyr)
# GG <- distinct(GG, Country, .keep_all = TRUE)

3. 合并三个文件

方法一：基础R的merge函数

逐步合并，指定all.x = TRUE可保留G文件里的所有国家（若需保留所有文件的国家，改用all = TRUE）：

# 先合并G和GG
merged1 <- merge(G, GG, by = "Country", all.x = TRUE)
# 再合并LL
final_df <- merge(merged1, LL, by = "Country", all.x = TRUE)

方法二：dplyr链式合并（更简洁）

习惯tidyverse风格的话，用left_join逻辑更清晰：

install.packages("dplyr") # 首次使用需安装
library(dplyr)

final_df <- G %>%
  left_join(GG, by = "Country") %>%
  left_join(LL, by = "Country")

4. 导出合并后的CSV

write.csv(final_df, "merged_worldcup_data.csv", row.names = FALSE, fileEncoding = "UTF-8-BOM")

验证结果 #

可以通过head(final_df)或table(final_df$Country)查看合并后的数据，确认是否存在重复或缺失的国家条目。

内容的提问来源于stack exchange，提问作者Adr0