根据跨越另一个（摘要）数据框中的多列的键对数据框进行子集化

Question

我有一个数据框 a，其中包含 4 个标识列：A, B, C, D。使用 ddply() 创建的第二个数据框 b 包含每组 A,B,C 的不同 D 的所有值的摘要。第三个数据框 c 包含 b 的一个子集，其中包含我想从 a.

中删除的错误值

因此，我想要 a 中的一个子集，省略 c 中也存在的由 A,B,C 的组合标识的所有行。我可以想出在循环中执行此操作（丑陋且低效）的方法，但是，我的 DBA 背景鼓励我寻求一种更……直接的解决方案。

在代码中：

a <- data.frame(
  A=rep(c('2013-10-30', '2014-11-6'), each=16*20),
  B=rep(1:8, each=2*20),
  C=rep(1:4, each=20),
  D=1:20
)

a$Val=rnorm(nrow(a))

library(plyr)
b <- ddply(a, ~B+C+A, summarise,
           mean_Val=mean(Val))

# Some subset criteria based on AOI group values
c <- subset(b, mean_Val <= 0)

# EDIT: Delete all the rows from a for which the
# key-triplets A,B,C are present in c
for (i in 1:nrow(c)) {
  c_row = c[i,]
  a <- a[ which( !(a$A==c_row$A & a$B==c_row$B & a$C==c_row$C) ), ]
}
# This is the loopy type of 'solution' I didn't want to use

也请随时解决我问题中的不明确之处。如果您能指出正确的方向，我很乐意进行编辑。

Answer 1

如果我们已经创建了 3 个数据集并希望根据 "c/c1" 的元素对第一个 "a" 进行子集化，一个选项是 anti_join 来自 dplyr

library(dplyr)
anti_join(a, c1, by=c('A', 'B', 'C'))

更新

或者我们可以使用带有 interaction 的 base R 选项将两个数据集中感兴趣的列粘贴在一起，并检查第二个 ('c') 的元素是否在第一个 ( 'a') 使用 %in%。逻辑索引可用于子集 "a".

 a1 <- a[!(as.character(interaction(a[1:3], sep=".")) %in% 
          as.character(interaction(c[LETTERS[1:3]], sep="."))),]

或者正如@David Arenburg 提到的，我们可能不需要创建 b 或 c 数据集来获得预期的输出。使用 plyr，在 "a" 中创建一个新的均值列 ("mean_Val")，其中 mutate 和 subset 均值大于 0 的行 (mean_Val >0 )

 library(plyr)
 subset(ddply(a, ~B+C+A, mutate, mean_Val=mean(Val)), mean_Val>0)

或使用 dplyr

的类似方法

 library(dplyr)
  a %>%
     group_by(B, C, A) %>%
     mutate(mean_Val=mean(Val)) %>% 
     filter(mean_Val>0)

或者如果我们不需要 "mean" 值作为 "a" 中的一列，也可以使用 base R 中的 ave。

  a[!!with(a, ave(Val, B, C, A, FUN=function(x) mean(x)>0)),]

如果我们需要保留 mean_Val 列（@David Arenburg 提出的变体）

  subset(transform(a, Mean_Val = ave(Val, B, C, A, FUN = mean)),
                 Mean_Val > 0)

数据

set.seed(24)
a <- data.frame(A= sample(LETTERS[1:3], 20, replace=TRUE), 
   B=sample(LETTERS[1:3], 20, replace=TRUE), C=sample(LETTERS[1:3], 
         20, replace=TRUE), D=rnorm(20))

b <- a %>% 
       group_by(A, B, C) %>% 
       summarise(D=sum(D))
set.seed(39)
c1 <- b[sample(1:nrow(b), 6, replace=FALSE),]

Answer 2

这是一个可能的 data.table 解决方案，不需要创建 b 或 c

library(data.table) 
as.data.table(a)[, if(mean(Val) > 0) .SD, by = list(B, C, A)]

或者类似的（如果你也想要均值本身）

as.data.table(a)[, Mean_Val := mean(Val), list(B, C, A)][Mean_Val > 0]

根据跨越另一个（摘要）数据框中的多列的键对数据框进行子集化

Subsetting a data frame based on key spanning several columns in another (summary) data frame

r

subset

dataframe

更新

数据