根据条件过滤数据框中的数据

Posted 2023-02-27

【中文标题】根据条件过滤数据框中的数据

【英文标题】：Filtering data in a dataframe based on criteria

【发布时间】：2012-12-21 18:01:21

【问题描述】：

我是 R 新手，无法理解这个概念。假设我有一个名为“places”的表，其中包含 3 个列 - 城市、人口和夏季平均温度

假设我想“过滤” - 生成一个人口少于 100 万且夏季平均温度高于 70 度的新表格对象。

在我使用过的任何其他程序中，这将非常容易，但是在做了一些研究之后，我让自己陷入了更大的困惑。鉴于 R 的目的和它的作用，这一定很简单。

如何将上述条件应用于表格？步骤是什么？据我了解，我不能轻易地根据名称选择表格标题，这会很好（例如 WHERE city

【参考方案1】：

给定一个数据框“dfrm”，其中包含“城市”列中的城市名称、“人口”列中的人口和“meanSummerT”列中的夏季平均温度，您对满足这些联合要求的子集的请求会遇到以下任何一种情况：

subset( dfrm, population < 1e6 & meanSummerT > 70)
dfrm[ which(dfrm$population < 1e6 & dfrm$meanSummerT > 70) , ]
dfrm[ which( dfrm[[ 'population' ]] < 1e6 & dfrm[[ 'meanSummerT' ]] > 70) , ]

如果您只想要符合这些联合标准的城市名称，那么这些会起作用：

subset( dfrm, population < 1e6 & meanSummerT > 70 , city)
dfrm[ which(dfrm$population < 1e6 & dfrm$meanSummerT > 70) , "city" ]
dfrm[ which(dfrm[['population']] < 1e6 & dfrm[['meanSummerT']] > 70) , "city" ]

请注意，列名没有在子集中或在“$”运算符之后被引用，而是在“[[”中被引用。请注意，如果没有数据行匹配，使用which 可能会很危险，因为您将获得整个数据帧，而不是没有行。

【讨论】：

@mnel 还提到了 'sqldf' 包，如果他的回答使用了合理的列名，我只会对其进行投票，而不是发布另一个答案。我的回答没有使用其他包，但 data.table 包绝对是当您的数据扩展到千兆字节时需要考虑的资源。

【参考方案2】：

您正在寻找subset

如果您的数据被称为mydata

newdata <- subset(mydata, city < 1e6)

或者您可以使用[，即programatically safer

newdata <- mydata[mydata$city < 1e6]

对于多个条件，在适当的地方使用& 或|

您也可以使用sqldf 包来使用sql

library(sqldf)

newdata <-  sqldf('select * from mydata where city > 1e6')

或者您可以使用data.table，这使得[ 的语法更容易（以及内存效率）

library(data.table)

mydatatable <- data.table(mydata)
newdata <- mydatatable[city > 1e6]