使用向量中的值和名称对数据框进行子集化的简单有效方法

Question

给定一个数据集（假设存储为数据框），格式为：

> n <- 10   
> set.seed(123)
> ds.df <- data.frame(col1 = round(rnorm(n,2,4), digit = 1),
                    col2 = sample.int(2, n, replace = TRUE),
                    col3 = sample.int(n*10, n),
                    col4 = sample(letters, n, replace = TRUE))

是否有一种简单有效的方法来对其进行子集化，即使用定义子集应遵守的多个等式的值向量？类似于：

> subset_v <- c(col1 = -0.2, col4 = "i")
> ds.subset <- subset(ds.df, subset_v)
> ds.subset
  col1 col2 col3 col4
1 -0.2    1    9    i

其中函数 subset(ds.df,subset_v) 应该 return 尊重的子集：

ds.df[ ds.df$col1 == subset_v["col1"] & ds.df$col2 == subset_v["col2"] & ds.df$col4 == subset_v["col4"], ]

但是最后这个表达式不是很方便，我希望能够在不知道它们的情况下拥有任何列。

我做了一些有用的事情：

subset <- function(ds.df,subset_v){
    sub = rep(TRUE, nrow(ds.df))
    for(cn in names(subset_v)){
       sub=sub & (ds.df[,cn] == subset_v[[cn]])
    }
    ds.df[sub,]
}

但我觉得有更好、更有效的方法（也许以某种方式删除 for loop）。

Answer 1

就个人而言，我想知道使用命名向量对数据帧进行子集化是否是个好主意，因为它只能用于相等 =，而 larger than 和 smaller than 不能这样表达。我建议使用带引号的表达式而不是命名向量（参见下面的方法）。

但是，我想出了一个 tidyverse 方法来编写具有上述功能的函数：

library(tidyverse)

set.seed(123)
n <- 10 

ds.df <- data.frame(col1 = round(rnorm(n,2,4), digit=1),
                   col2 = sample.int(2, n, replace=T),
                   col3 = sample.int(n*10, n),
                   col4 = sample(letters, n, replace=T))

new_filter <- function (data, expr) {
  exprs_ls <- purrr::imap(expr, ~ rlang::exprs(!! rlang::sym(.y) == !!.x))
  filter(data, !!! unname(unlist(exprs_ls)))
}

new_filter(ds.df, c(col1 = -0.2, col4 = "i"))
#>   col1 col2 col3 col4
#> 1 -0.2    1    9    i

^{由 reprex package (v0.3.0)} 于 2020-06-17 创建

下面是我的 替代方法 。在 base R 中，您可以使用 quote 来引用子集表达式（而不是创建向量），然后您可以使用 eval 在 subset 中对其求值。

n <- 10   

ds.df=data.frame(col1=round(rnorm(n,2,4),digit=1),
                 col2=sample.int(2,n,replace=T),
                 col3=sample.int(n*10,n),
                 col4=sample(letters,n,replace=T))


subset_v = quote(col1 > 2 & col3 > 40)

subset(ds.df, eval(subset_v))
#>    col1 col2 col3 col4
#> 1   6.6    1   93    m
#> 2   7.0    2   62    j
#> 4   3.9    1   94    t
#> 7   4.5    1   46    r
#> 8   2.8    2   98    h
#> 10  4.9    1   78    p

^{由 reprex package (v0.3.0)}

于 2020-06-17 创建

相同的方法，但使用 dplyr filter

library(dplyr)

n <- 10 

ds.df = data.frame(col1 = round(rnorm(n,2,4), digit=1),
                   col2 = sample.int(2, n, replace=T),
                   col3 = sample.int(n*10, n),
                   col4 = sample(letters, n, replace=T))

filter_v = expr(col1 > 2 & col3 > 40)

filter(ds.df, !! filter_v)

#>   col1 col2 col3 col4
#> 1  3.3    1   70    a
#> 2  2.5    2   82    q
#> 3  3.6    1   51    z

^{由 reprex package (v0.3.0)}

于 2020-06-17 创建

Answer 2

我想你在找 merge:

subset <- function(ds.df,subset_v){
    filter = data.frame(as.list(subset_v))
    merge(ds.df,filter,by=names(filter),all=F)
}

这适用于 data.frame 和 data.table，并且 data.table 应该与 @sindri_baldur 的答案相同，所以，如果你我们已经在使用 data.table，主要区别在于您更喜欢输入 merge(x,y,by=z,all=F) 还是 x[y,on=z]。

Answer 3

在 data.table 中你可以这样做：

setDT(ds.df)
subset_v = list(col1=-3.3, col2=1, col4="e")
ds.df[as.list(subset_v), on = names(subset_v)]

#    col1 col2 col3 col4
# 1: -3.3    1   29    e

可重现的数据：

set.seed(20)
n <- 10   
ds.df <- data.frame(
  col1 = round(rnorm(n, 2, 4), digit = 1),
  col2 = sample.int(2, n, replace = TRUE),
  col3 = sample.int(n*10, n),
  col4 = sample(letters, n, replace = TRUE)
)

使用向量中的值和名称对数据框进行子集化的简单有效方法

Simple and efficient way to subset a data frame using values and names in a vector

r

subset

rlang

nse