4

我有一个df格式为“long”的data.frame。

df <- data.frame(site = rep(c("A","B","C"), 1, 7),
                 time = c(11,11,11,22,22,22,33),
                 value = ceiling(rnorm(7)*10))
df <- df[order(df$site), ]

df
  site time value
1    A   11    12
2    A   22   -24
3    A   33   -30
4    B   11     3
5    B   22    16
6    C   11     3
7    C   22     9

问题

如何删除df$time每个级别不存在唯一元素的行df$site？

在这种情况下，我想删除df[3,]，因为df$time时间戳 33 仅存在于站点 A 而不是站点 B 和站点 C。

期望的输出：

df.trimmed
  site time value
1    A   11    12
2    A   22   -24
4    B   11     3
5    B   22    16
6    C   11     3
7    C   22     9

data.frame 很容易有 800k 行和 200k 唯一时间戳。我不想使用循环，但我不知道如何使用这种情况下的矢量化apply()函数lapply()。

4

2 回答 2

5

这是使用该软件包的另一种可能的解决方案data.table：

unTime <- unique(df$time)

library(data.table)

DT <- data.table(df, key = "site")

(notInAll <- unique(DT[, list(ans = which(!unTime %in% time)), by = key(DT)]$ans))
# [1] 3

DT[time %in% unTime[-notInAll]]

#      site time value
# [1,]    A   11     3
# [2,]    A   22    11
# [3,]    B   11    -6
# [4,]    B   22    -2
# [5,]    C   11   -19
# [6,]    C   22   -14

来自马修
尼斯的编辑。或者更直接的方式：

DT = as.data.table(df)
tt = DT[,length(unique(site)),by=time]
tt
   time V1
1:   11  3
2:   22  3
3:   33  1

tt = tt[V1==max(V1)]      # See * below
tt
   time V1
1:   11  3
2:   22  3

DT[time %in% tt$time]
   site time value
1:    A   11     7
2:    A   22    -2
3:    B   11     8
4:    B   22   -10
5:    C   11     3
6:    C   22     1

如果所有站点都没有时间，当最终结果应该为空时（正如 Ben 在评论中指出的那样），*上面标记的步骤可能是：

tt = tt[V1==length(unique(DT$site))]
于 2012-06-21T12:16:41.927 回答
2

会rle为你工作吗？

df <- df[order(df$time), ]
df <- subset(df, time != rle(df$time)$value[rle(df$time)$lengths == 1])
df <- df[order(df$site), ]
df
##   site time value
## 1    A   11    17
## 4    A   22    -3
## 2    B   11     8
## 5    B   22     5
## 3    C   11     0
## 6    C   22    13

重新查看您的数据，似乎这个解决方案可能对您的需求来说太简单了......

更新

这是一种应该比rle我上面提到的解决方案更好的方法。而不是寻找“1”的运行长度，而是删除与结果的某些条件不匹配的行table(df$site, df$time)。为了说明，我还添加了一些假数据。

df <- data.frame(site = rep(c("A","B","C"), 1, 7),
                 time = c(11,11,11,22,22,22,33),
                 value = ceiling(rnorm(7)*10))
df2 <- data.frame(site = rep(c("A","B","C"), 1, 7),
                 time = c(14,14,15,15,16,16,16),
                 value = ceiling(rnorm(7)*10))
df <- rbind(df, df2)
df <- df[order(df$site), ]

temp <- as.numeric(names(which(colSums(with(df, table(site, time)))
                               >= length(levels(df$site)))))
df2 <- merge(df, data.frame(temp), by.x = "time", by.y = "temp")
df2 <- df2[order(df2$site), ]
df2
##   time site value
## 3   11    A    -2
## 4   16    A    -2
## 7   22    A     2
## 1   11    B   -16
## 5   16    B     3
## 8   22    B    -6
## 2   11    C     8
## 6   16    C    11
## 9   22    C   -10

这是对站点/时间组合进行制表和总结的结果：

colSums(with(df, table(site, time)))
## 11 14 15 16 22 33 
##  3  2  2  3  3  1

因此，如果我们对包含至少两个站点具有时间戳的站点感兴趣，我们可以将行>= length(levels(df$site))（在本例中为 3）更改为>= length(levels(df$site))-1（显然，2）。

不确定此解决方案是否对您有用，但我想我会分享它以展示我们使用 R 提供的解决方案的灵活性。

于 2012-06-21T11:44:05.220 回答