R语言按列类型批量清洗含数值/字符/日期列的DataFrame方法

tidyverse生态下直接用dplyr::across()按列类型批量处理即可，底层是向量化运算，处理百万行级数据效率远高于手写for循环。

完整可运行代码 #

# 加载依赖包
library(tidyverse)
library(lubridate)

# 构造示例数据
name = c("Joe", "Tim", "Sally")
code = c(43, NA, 19)
address = c("123 street Rd.", "", "NULL")
date = as.Date(c("2021-11-02", "", "2021-03-29"))
data <- data.frame(name, code, address, date)

# 数据清洗核心逻辑
data_clean <- data %>%
  mutate(
    # 处理数值列：缺失值替换为NaN
    across(where(is.numeric), ~replace_na(.x, NaN)),
    # 处理字符列：自定义无效值先转NA，再统一替换为not provided
    across(where(is.character), ~case_when(
      .x %in% c("", "NULL", "N/A", "NA") ~ NA_character_, # 可自行扩展无效值列表
      TRUE ~ .x
    ) %>% replace_na("not provided")),
    # 处理日期列：缺失值可替换为NA或自定义占位日期
    across(where(is.Date), ~replace_na(.x, as.Date("1901-01-01")))
  )

注意事项 #

• 数值列替换为NaN的兼容说明：R中绝大多数可视化、分析函数都可以正常识别NaN为缺失值，如果遇到特殊场景不兼容，可将替换值改为NA_real_，或根据业务需求替换为0、列均值/中位数即可。
• 日期列占位符选择：如果不需要统一的占位日期，直接将替换值改为NA即可，更符合R语言日期缺失值的通用规范。
• 字符列无效值可扩展：如果你的数据中还有其他需要识别为无效的字符串（比如下划线、横杠等），直接添加到%in%后的向量中即可。

原有for循环代码的问题说明 #

1. 语法错误：if判断缺右括号，elseif应为else if，重复写了两次is.numeric判断逻辑
2. 列取值错误：data[column]返回的是单列数据框，不是向量，应该用data[[column]]取列向量
3. 处理逻辑不全：没有覆盖字符列的空字符串、"NULL"等非NA无效值
4. 函数使用错误：R base没有内置is.date函数，需要用lubridate::is.Date或inherits(x, "Date")判断日期类型
5. 类型污染：直接给日期列赋值字符串会把日期列转为字符型，丢失日期格式属性

内容的提问来源于stack exchange，提问作者Progress