R - 仅显示数据框子集中使用的级别

Posted 2023-03-29

【中文标题】R - 仅显示数据框子集中使用的级别

【英文标题】：R - show only levels used in a subset of data frame

【发布时间】：2015-04-18 17:46:30

【问题描述】：

我有一个相当大的数据框，其中一个因子有很多级别（超过 4,000 个）。我在同一个数据框中有另一列用作参考，只要此参考列为 NA，我想查找的是级别的子集。

我使用的第一步是subsetrows <- which(is.na(mydata$reference))，但之后我就卡住了。我想要levels(mydata[subsetrows,mydata$factor]) 之类的东西，但不幸的是，此命令向我显示所有 级别，而不仅仅是subsetrows 中存在的级别。我想我可以只在我的子集行的数据框之外创建一个新向量，然后删除任何未使用的级别，但是有没有更简单/更清洁的方法可以做到这一点，可能不需要将我的数据复制到数据框之外？

作为我想要返回的示例，如果我的数据框具有从 A 到 Z 的因子级别，但在我的子集中仅出现 P、R 和 Y，我想要返回级别 P、R 和 Y 的内容。

【问题讨论】：

也许这可以帮助***.com/questions/1195826/…

你能试试levels(mydata$factor)[mydata$factor[subsetrows]]吗？

好吧，使用你之前对unique 的想法，结果证明这给了我正确的级别：unique(as.character(mydata$factor[subsetrows]))

其实as.character.factor是levels(x)[x]的总结

@thelatemail，我不这么认为：子集mydata$factor[subsetrows] 返回因子的子集，即用作存储在级别中的字符的快捷方式的数字索引，保证在长度范围内levels(x) 并保证匹配适当的级别。事实上，正如我之前提到的，as.character(mydata$factor[subsetrows]) 调用了as.character.factor，其定义为function(x) levels(x)[x]。因此，我的解决方案和 Alium 提出的解决方案（实际上我更喜欢它，因为它的紧凑性）本质上是一回事

【参考方案1】：

您当然可以使用base 函数完成此操作。但我个人的偏好是将dplyr 与这样的链式操作一起使用：

library(dplyr)

d %>%
  filter(is.na(ref)) %>%
  select(field) %>%
  distinct()

数据

d <- data.frame(
  field = c("A", "B", "C", "A", "B", "C"),
  ref = c(NA, "a", "b", NA, "c", NA)
  )

【讨论】：

%>% 运算符是做什么的？

这是来自magrittr 的正向管道操作员。基本上x %>% f() 等价于f(x)。

所以...这相当于将d$ref 放入filter 行，然后将结果放入select 行，然后将结果放入@ 987654331@线？

【参考方案2】：

我修改了 Marat 在 cmets 中的一个建议，以使用似乎返回正确级别的函数 unique。

解决方案：

subsetrows <- which(is.na(mydata$reference))
unique(as.character(mydata$factor[subsetrows]))

虽然我喜欢学习新的包和功能，但这个解决方案在这一点上似乎更好，因为它更紧凑，更容易让我理解，如果我需要在未来某个遥远的地方重新访问这段代码。