cncleanr

English | 中文

R-CMD-check

cncleanr 用于安全解析中文表格、网页和统计公报中的紧凑数字、模糊数量及数值区间。

它不会只截取字符串中遇到的第一个数字。无法完整解释的非缺失值会变成 NA，同时产生警告并记录失败原因。

安装

CRAN 收录后可直接安装：

install.packages("cncleanr")

在 CRAN 收录前，或需要从 GitHub 安装当前正式版本时：

install.packages("pak")
pak::pak("Jorungandr/cncleanr@v0.2.4")

企业营收清洗示例

下面的流程保留原始文本，解析营收列，并把无法解析的记录定位回原始企业：

library(cncleanr)

enterprises <- data.frame(
  company = paste0(c("甲", "乙", "丙", "丁", "戊"), "公司"),
  revenue_raw = c("3.2亿元", "约5万", "10万+", "暂无", "3万abc")
)

parsed <- suppressWarnings(parse_cn_quantity(enterprises$revenue_raw))
cleaned <- cbind(enterprises, parsed)
cleaned
#>   company revenue_raw   value qualifier
#> 1 甲公司     3.2亿元 3.2e+08      exact
#> 2 乙公司       约5万 5.0e+04     approx
#> 3 丙公司       10万+ 1.0e+05   at_least
#> 4 丁公司        暂无      NA       <NA>
#> 5 戊公司      3万abc      NA       <NA>

problems <- cn_problems(parsed)
problem_rows <- cbind(
  company = enterprises$company[problems$index],
  problems
)
problem_rows
#>   company index  value                                      reason
#> 1 戊公司      5 3万abc value does not match the supported number syntax

write.csv(
  cleaned,
  "enterprise_revenue_cleaned.csv",
  row.names = FALSE,
  fileEncoding = "UTF-8"
)

这里使用 suppressWarnings()，是因为下一步会通过 cn_problems() 检查完整的结构化问题；如果不准备检查问题，不建议隐藏警告。

精确数字

library(cncleanr)

parse_cn_number(c("1.25万", "￥3亿元", "12.5%", "１．２e５", "暂无"))
#> [1] 1.25e+04 3.00e+08 1.25e-01 1.20e+05       NA

支持的常见形式包括：

数字间的空格只在构成合法三位分组时才会被接受：1 234 会解析为 1234，但 1 2 和 12 34 会报告错误，不会被静默拼接。

模糊数量与不等式

parse_cn_quantity() 保留原文中的约数与模糊限定含义。

parse_cn_quantity(c("3万", "约3万", "超过2亿", "不少于5万", "10%以下"))
#>     value    qualifier
#> 1   3e+04        exact
#> 2   3e+04       approx
#> 3   2e+08 greater_than
#> 4   5e+04     at_least
#> 5   1e-01      at_most

六种 qualifier 的含义和边界如下：

qualifier 含义 边界语义
exact 精确值 等于 value
approx 约数 以 value 为近似值，不定义开闭边界
greater_than 大于 > value，不包含边界
at_least 不小于 >= value，包含边界
less_than 小于 < value，不包含边界
at_most 不大于 <= value，包含边界

常见不等式表达具有明确的边界含义：

数值区间

parse_cn_range() 返回上下界以及边界是否包含在区间内。

parse_cn_range(c("3万-5万", "3-5万", "10万元以上", "低于2亿"))
#>   lower upper lower_inclusive upper_inclusive
#> 1 3e+04 5e+04            TRUE            TRUE
#> 2 3e+04 5e+04            TRUE            TRUE
#> 3 1e+05   Inf            TRUE           FALSE
#> 4  -Inf 2e+08           FALSE           FALSE

3-5万 这类共享单位会自动应用到数据区间的两个端点。上下界颠倒或端点无法解析时会报告问题。 科学计数法中的符号不会被误认为区间分隔符，因此 1e-3 和 1e-3-2e-3 都可以正确解析。

返回值速查

所有解析函数都保持输入顺序，每条输入对应一条结果；问题信息可以从结果对象中单独取出。

函数 返回值
parse_cn_number() 数值向量，每条输入对应一个值
parse_cn_quantity() 含 value 和 qualifier 两列的数据框
parse_cn_range() 含 lower、upper、lower_inclusive 和 upper_inclusive 四列的数据框
cn_problems() 含 index、value 和 reason 三列的数据框；没有问题时返回零行

数值型输入会直接转换为双精度数值并保留，包括 Inf、-Inf 和 NaN。 parse_cn_quantity() 将有限数值及 Inf、-Inf 标记为 exact，而 NA、NaN 的限定词为缺失。parse_cn_range() 将非缺失数值表示为包含 该值的点区间；由文本不等式生成的无穷边界表示开放区间，与数值型 Inf、-Inf 点输入不同。

查看解析问题

result <- suppressWarnings(parse_cn_number(c("2万", "约3万", "abc")))
cn_problems(result)
#>   index value                                      reason
#> 1     2  约3万 value does not match the supported number syntax
#> 2     3   abc value does not match the supported number syntax

普通模式会把失败位置返回为 NA，保留其他可用结果，同时发出警告。清洗流程如果要求“任意一行失败就停止”，可以设置 strict = TRUE：

parse_cn_number(c("2万", "abc"), strict = TRUE)

无论使用哪种模式，自定义缺失值（例如默认支持的 "暂无"）都不算解析失败。

常见失败原因

cn_problems() 的 reason 可以直接用于定位以下问题：

情况 示例 reason
不支持的语法 3万abc value does not match the supported number syntax
数字空格分组无效 1 2 digits use invalid whitespace grouping
限定词重复或冲突 约3万左右 multiple or conflicting qualifiers
区间上下界颠倒 5万-3万 range lower bound is greater than its upper bound
区间端点无效 3万-abc one or both range endpoints are invalid
数值超出有限双精度范围 1e308万 value is outside the finite double range

遇到失败时，先在普通模式下调用解析函数并查看 cn_problems()；只有在清洗流程要求“任意一行失败就停止”时，才使用 strict = TRUE。

开发与测试

项目包含两套测试：

每次推送都会在 Linux、macOS 和 Windows 上运行 GitHub Actions 检查。

设计边界

cncleanr 专注于实际数据源中的阿拉伯数字加中文单位，例如 3.2亿元、约5万 和 3万-5万。中文文字数字（例如“一万三千”）暂不属于本包的核心范围。

许可证

MIT