通过匹配连续列中的值过滤 R 数据帧行

Posted 2023-02-14

【中文标题】通过匹配连续列中的值过滤 R 数据帧行

【英文标题】：Filter R dataframe rows by matching value in consecutive columns

【发布时间】：2021-12-29 18:54:01

【问题描述】：

我有一个包含真 (1) 和假 (0) 信息的大型数据框。下面是它的简化示例。

df <- read.table(text = "  0m-10m 0m-15m 0m-20m 0m-25m
                 X 1 0 1 1 
                 Y 1 1 0 0 
                 Z 0 1 0 1 ", header = T)

我需要对两个连续对比为真（都 == 1）的行进行子集化，以便结果如下所示

   0m-10m 0m-15m 0m-20m 0m-25m
X  1 0 1 1
Y  1 1 0 0 

我可以按 rowSums >=2 进行过滤，但对于我需要排除的第 Z 行也是如此。想法？

【参考方案1】：

只需删除第一列和最后一列，使用& 创建一个逻辑矩阵，然后使用rowSums 创建子集的逻辑向量

df[rowSums(df[-1] & df[-ncol(df)]) > 0,]

-输出

  0m-10m 0m-15m 0m-20m 0m-25m
X      1      0      1      1
Y      1      1      0      0

上面的rowSums不是基于单一数据的。我们通过删除第一列和最后一列然后使用&，从两个大小相等的数据集创建一个逻辑矩阵，因此，如果两者在同一位置都有1，则只有它会返回TRUE，否则返回FALSE。此矩阵上的rowSums 返回 TRUE（或 TRUE/FALSE -> 1/0）的总和

> df[-1] & df[-ncol(df)]
  0m-15m 0m-20m 0m-25m
X  FALSE  FALSE   TRUE
Y   TRUE  FALSE  FALSE
Z  FALSE  FALSE  FALSE
> rowSums(df[-1] & df[-ncol(df)])
X Y Z 
1 1 0 
> rowSums(df[-1] & df[-ncol(df)]) > 0
    X     Y     Z 
 TRUE  TRUE FALSE 

---

或者，如果我们正在寻找一般情况，我们可以使用rle - 通过循环使用apply 和MARGIN = 1 对每一行进行运行长度编码。 rle 为每个相邻的相似值返回 list 的 values 和 lengths。然后，我们根据lengths 和values 创建一个逻辑向量，即如果“values”为 1，“lengths”为 2。

n <- 2
df[apply(df, 1, FUN = function(x) with(rle(x), any(lengths == n & values))),]
  0m-10m 0m-15m 0m-20m 0m-25m
X      1      0      1      1
Y      1      1      0      0

-代码分解

> apply(df, 1, FUN = rle)
$X
Run Length Encoding
  lengths: Named int [1:3] 1 1 2
 - attr(*, "names")= chr [1:3] "0m-15m" "0m-20m" ""
  values : Named int [1:3] 1 0 1
 - attr(*, "names")= chr [1:3] "0m-10m" "0m-15m" "0m-25m"

$Y
Run Length Encoding
  lengths: Named int [1:2] 2 2
 - attr(*, "names")= chr [1:2] "0m-20m" ""
  values : Named int [1:2] 1 0
 - attr(*, "names")= chr [1:2] "0m-15m" "0m-25m"

$Z
Run Length Encoding
  lengths: Named int [1:4] 1 1 1 1
 - attr(*, "names")= chr [1:4] "0m-15m" "0m-20m" "0m-25m" ""
  values : Named int [1:4] 0 1 0 1
 - attr(*, "names")= chr [1:4] "0m-10m" "0m-15m" "0m-20m" "0m-25m"
> apply(df, 1, FUN = function(x) with(rle(x),lengths == n & values))
$X
0m-15m 0m-20m        
 FALSE  FALSE   TRUE 

$Y
0m-20m        
  TRUE  FALSE 

$Z
0m-15m 0m-20m 0m-25m        
 FALSE  FALSE  FALSE  FALSE 
> apply(df, 1, FUN = function(x) with(rle(x), any(lengths == n & values)))
    X     Y     Z 
 TRUE  TRUE FALSE 

【讨论】：

我或许应该澄清一下，这是一个有 12,939 行和 8 列的数据框的小例子。我认为第一个解决方案还不够，因为 rowSums 并没有削减它。在您的第二个解决方案中，“价值观”指的是什么？

@KalaDowney 有 10 行还是 12000 行都没有关系。第一个解决方案不是基于行。它每 2 个备用列检查 1

啊！抱歉，我不清楚。

@KalaDowney 我添加了步骤以便更好地理解。希望对你有帮助

这对您很有帮助，谢谢！没有任何 NA，我们在早期省略了这些。

【参考方案2】：

这里是另一种使用 pivot 的方法：

library(dplyr)
library(tidyr)

df %>% 
  rownames_to_column("xyz") %>% 
  pivot_longer(
    -xyz
  ) %>% 
  group_by(xyz) %>% 
  mutate(helper = lag(value),
         flag = ifelse(value==1 & helper==1, 1,0)) %>% 
  filter(any(flag==1)) %>% 
  pivot_wider(
    names_from = name,
    values_from = value,
    values_fill = 0
  ) %>% 
  summarize(across(starts_with("X"), sum)) %>% 
  column_to_rownames("xyz")

  X0m.10m X0m.15m X0m.20m X0m.25m
X       1       0       1       1
Y       1       1       0       0

【参考方案3】：

基于创建辅助列的解决方案，将所有原始列连接为字符串（使用tidyr::unite），然后在字符串上使用stringr::str_detect：

library(tidyverse)

df <- read.table(text = "  0m-10m 0m-15m 0m-20m 0m-25m
                 X 1 0 1 1 
                 Y 1 1 0 0 
                 Z 0 1 0 1 ", header = T)

df %>% 
  unite(aux, sep = "", remove = F) %>% 
  filter(str_detect(aux, "11")) %>%
  select(-aux)

#>   X0m.10m X0m.15m X0m.20m X0m.25m
#> X       1       0       1       1
#> Y       1       1       0       0