R语言left_join合并数据集时出现意外NA值问题咨询

问题排查结论 #

匹配出现NA的核心原因是两个数据集的join键（州名+县名）没有做对齐，主要踩了三个文本清洗的坑：

• 只删除了县名里的County后缀，没覆盖美国其他州的县级行政单位称谓：路易斯安那州的县级单位叫Parish，阿拉斯加州的县级单位叫Borough/Census Area，还有30多个独立市带city/municipality后缀，这些条目没做替换就完全匹配不上。
• 替换后缀后没处理残留空格：用gsub("County", "", county)处理后，原后缀位置会留下多余的尾空格，比如"ada county"处理完变成"ada "，和map_data里无尾空格的"ada"字符串不相等，直接匹配失败。
• 少部分特殊县名存在编码/写法差异：maps包的地理数据会自动把带重音符号的县名转成纯ASCII格式，部分多词县名的空格、连字符规则和fips_codes里的写法有细微差别。

修复方案 #

先调整县名清洗逻辑，把所有后缀统一删掉，再用str_squish()清除多余空格，正式join前先用反连接检查未匹配条目，确认没问题再全量合并：

library(tidyverse)
library(tidycensus)
library(lubridate)
library(maps)

drought_fips <- readr::read_csv('https://raw.githubusercontent.com/rfordatascience/tidytuesday/master/data/2022/2022-06-14/drought-fips.csv')
counties_geodata <- map_data("county")
data("fips_codes")

fips_codes_clean <- fips_codes %>%
  mutate(
    across(c(county, state_name), str_to_lower),
    # 批量移除字符串末尾的所有县级单位后缀，避免误删县名本身包含的关键词
    county = str_remove_all(county, "\\s(county|parish|borough|census area|city|municipality)$"),
    # 清除所有首尾空格、中间多余空格
    county = str_squish(county)
  )

# 先排查未匹配项
unmatched_entries <- counties_geodata %>%
  anti_join(fips_codes_clean, by = c("region" = "state_name", "subregion" = "county"))
# 打印unmatched_entries就能看到剩余没匹配上的特殊条目，单独调整规则即可

# 确认无异常后完成合并
counties <- counties_geodata %>%
  left_join(fips_codes_clean, by = c("region" = "state_name", "subregion" = "county"))

排查技巧 #

以后做文本字段的join，不要合并完再看NA，先跑anti_join()把左表里匹配不上的行单独捞出来，直接看哪些值没对上，比对着调整清洗规则效率高很多。按上面的逻辑处理后，99%以上的县都能正常匹配，剩下的极个别特殊条目（比如个别独立市、离岛区域）单独做名称映射即可。

内容的提问来源于stack exchange，提问作者mzkrc