r - 按因子的每个级别的行数过滤数据框中的行

Question

我有一个数据框，其中一列作为具有多个级别的因子。我想提取该列没有唯一值的行（即该级别存在于多行中）。

所以对于一些简单的测试数据：

factor dat1 dat2 dat3
     a  1.0  1.0  1.0
     a  1.0  0.9  1.0
     b  0.9  0.8  0.6
     c  0.9  1.0  0.0

我只想保留前两行。做这个的最好方式是什么？最好我想做更一般的查询，即为至少 3 行、正好 2 行等中存在的因子级别提取行。

Answer 1

这是一个解决方案table（假设数据框的名称是df）：

nRows <- 2 # minimum number of occurrences

tab <- table(df$factor) # count

df[df$factor %in% names(tab)[tab >= nRows], ] # extract rows

如果您想改用精确标准，请更改>=为==.

结果：

  factor dat1 dat2 dat3
1      a    1  1.0    1
2      a    1  0.9    1

Answer 2

对于这些类型的问题，我喜欢ave()生成一个长度与我的数据集中要匹配的行数相同的向量。names()我发现它比必须引用该方法所需的更直接一点table()：

## Your data
mydf <- read.table(header = TRUE, 
          stringsAsFactors = FALSE, 
          text = "factor dat1 dat2 dat3
                  a  1.0  1.0  1.0
                  a  1.0  0.9  1.0
                  b  0.9  0.8  0.6
                  c  0.9  1.0  0.0")

## Your vector to match against
factorlengths <- ave(as.numeric(mydf$factor), 
                     mydf$factor, FUN = length)
factorlengths
# [1] 2 2 1 1

## The subsetting
mydf[factorlengths > 1, ]
#   factor dat1 dat2 dat3
# 1      a    1  1.0    1
# 2      a    1  0.9    1
mydf[factorlengths == 1, ]
#   factor dat1 dat2 dat3
# 3      b  0.9  0.8  0.6
# 4      c  0.9  1.0  0.0

如果 的值mydf$factor实际上是因素，则必须ave(as.numeric(as.character(mydf$factor...改用。

Answer 3

这是一种不同的方法供您考虑：

mydf <- data.frame(fac = c("a", "a", "b", "c", "d", "d", "e"),
dat1 = rnorm(7), dat2 = rnorm(7), dat3 = rnorm(7))

library("plyr")

cts <- count(mydf, vars = "fac")
keep <- as.character(subset(cts, freq > 1)$fac)
keep2 <- mydf$fac %in% keep
mydf2 <- mydf[keep2,]

哪个转换：

  fac        dat1       dat2       dat3
1   a  0.83565861  0.2293744 -1.2932864
2   a -0.05509087  0.1995655 -1.7961443
3   b -0.82794260  1.6314641 -0.3622872
4   c  0.13907037 -0.4560306 -0.3751849
5   d -0.30057042  0.8347340  0.4798789
6   d -1.15576099 -0.5945094 -0.3124572
7   e  1.17671034  0.1453544 -2.6906382

到：

  fac        dat1       dat2       dat3
1   a  0.83565861  0.2293744 -1.2932864
2   a -0.05509087  0.1995655 -1.7961443
5   d -0.30057042  0.8347340  0.4798789
6   d -1.15576099 -0.5945094 -0.3124572

我认为可能有一个单行使用duplicated，但在这种情况下并不能完全返回所需的内容。