0

Hice un raspado de la web de un url y esto salió a la vista de cómo la figura (1) con sus respectivos espacios de filas y son mas 4000 filas anexadas con sus 2 espacios por cada ítem necesito eliminarla, ademas si es posible me gustaría agrupar como se muestra en la siguiente tabla (2) por , ¿se puede hacer? figura (1)

figura (1) :

introducir la descripción de la imagen aquí

figura (2) :

introducir la descripción de la imagen aquí

les paso el código que estaba avanzando :

url2<-read_html("http://pe.kairosweb.com/resultado-busqueda.php?prodname=a&x=0&y=0") tables<-html_table(url2,fill=TRUE) tables5<-tables[[5]]

tables5_1<-tbl_df(tables5)

n<-nrow(tables5_1)

cuenta<-1:n

tables5_1d<-data.frame(cuenta,tables5_1)

View(tables5_1d)

1 respuesta 1

0

Voy a plantearte una solución a la manera tidyverse, por que entiendo que para esta manipulación de los datos, es una forma mucho más clara. De cualquier manera la idea puede llevarse a código R base sin problema.

En primer lugar, vamos a trabajar con la tabla tables[[5]] en crudo, que esta estructurada así:

introducir la descripción de la imagen aquí

Como se puede apreciar, cada "producto" es un grupo de filas separadas por lineas en blanco. En primer lugar, vamos a limpiar un poco los datos y agregar información útil, básicamente:

  1. Generaremos un identificador único de cada bloque para poder luego identificar cada "producto"
  2. Numeraremos cada fila dentro de cada bloque ya que para identificar el nombre del producto, iremos a constatar la primer fila de cada bloque
  3. Por último eliminamos las filas innecesarias

Esto en tidyverse lo podemos implementar así:

library("tidyverse")

df <- tables[[5]] %>% 
  mutate(id_producto = cumsum(X1 == "")) %>%      # Generamos un id por bloque
  filter(X1 != "",
         X1 != "PRESENTACIONES") %>%              # Quitamos filas en blanco y titulos
  mutate(nr=ave(X1, id_producto, FUN=seq_along))  # generamos un numerdador interno del bloque

introducir la descripción de la imagen aquí

Ya tenemos los datos mucho más ordenados para la última etapa. Ahora vamos a:

  1. Obtener los productos (son aquellos donde el número de fila nr es igual a 1)
  2. Obtener las presentaciones (es el caso contrario del punto anterior) 3 Con las dos bases separadas, podemos unirlas en una sola, mediante un left join

Código:

df %>% 
  filter(nr == 1) %>%
  select(VENTA = X1, id_producto, nr) -> productos

df %>% 
  filter(nr != 1) %>%
  mutate(PRESENTACIONES = X1,
         PVF = X2,
         PPS = X3) %>% 
  select(id_producto, nr, PRESENTACIONES, PVF, PPS) -> presentaciones

productos %>% 
  left_join(presentaciones, by="id_producto") %>% 
  select(VENTA, PRESENTACIONES, PVF, PPS) -> df_final

Resultado final:

introducir la descripción de la imagen aquí

1
  • Muchas gracias Patricio , me ayudo mucho!
    – ARK2
    Commented el 19 ene. 2020 a las 7:46

Tu Respuesta

By clicking “Publica tu respuesta”, you agree to our terms of service and acknowledge you have read our privacy policy.

¿No es la respuesta que buscas? Examina otras preguntas con la etiqueta o formula tu propia pregunta.