52

我有两个数据集应该是相同的大小,但不是。我需要修剪 A 中不在 B 中的值,反之亦然,以消除要进入报告的图表中的噪音。(别担心,这些数据不会被永久删除!)

我已阅读以下内容:

但我仍然无法让它正常工作。这是我的代码:

bg2011missingFromBeg <- setdiff(x=eg2011$ID, y=bg2011$ID)
#attempt 1
eg2011cleaned <- subset(eg2011, ID != bg2011missingFromBeg)
#attempt 2
eg2011cleaned <- eg2011[!eg2011$ID %in% bg2011missingFromBeg]

第一次尝试只是消除了结果 setdiff 向量中的第一个值。第二次尝试产生和笨拙的错误:

Error in `[.data.frame`(eg2012, !eg2012$ID %in% bg2012missingFromBeg) 
:  undefined columns selected
4

4 回答 4

80

这会给你你想要的:

eg2011cleaned <- eg2011[!eg2011$ID %in% bg2011missingFromBeg, ]

第二次尝试的错误是因为您忘记了,

通常,为方便起见,规范object[index]子集列 2d object。如果要对行进行子集化并保留所有列,则必须使用规范 object[index_rows, index_columns],而index_cols可以留空,默认情况下将使用所有列。

但是,您仍然需要包含,以指示您想要获取行的子集而不是列的子集。

于 2013-03-05T15:46:07.207 回答
17

如果您真的只想通过两个数据帧中都存在的索引对每个数据帧进行子集化,您可以使用“匹配”函数执行此操作,如下所示:

data_A[match(data_B$index, data_A$index, nomatch=0),]
data_B[match(data_A$index, data_B$index, nomatch=0),]

但是,这与以下内容相同:

data_A[data_A$index %in% data_B$index,]
data_B[data_B$index %in% data_A$index,]

这是一个演示:

# Set seed for reproducibility.
set.seed(1)

# Create two sample data sets.
data_A <- data.frame(index=sample(1:200, 90, rep=FALSE), value=runif(90))
data_B <- data.frame(index=sample(1:200, 120, rep=FALSE), value=runif(120))

# Subset data of each data frame by the index in the other.
t_A <- data_A[match(data_B$index, data_A$index, nomatch=0),]
t_B <- data_B[match(data_A$index, data_B$index, nomatch=0),]

# Make sure they match.
data.frame(t_A[order(t_A$index),], t_B[order(t_B$index),])[1:20,]

#    index     value index.1    value.1
# 27     3 0.7155661       3 0.65887761
# 10    12 0.6049333      12 0.14362694
# 88    14 0.7410786      14 0.42021589
# 56    15 0.4525708      15 0.78101754
# 38    18 0.2075451      18 0.70277874
# 24    23 0.4314737      23 0.78218212
# 34    32 0.1734423      32 0.85508236
# 22    38 0.7317925      38 0.56426384
# 84    39 0.3913593      39 0.09485786
# 5     40 0.7789147      40 0.31248966
# 74    43 0.7799849      43 0.10910096
# 71    45 0.2847905      45 0.26787813
# 57    46 0.1751268      46 0.17719454
# 25    48 0.1482116      48 0.99607737
# 81    53 0.6304141      53 0.26721208
# 60    58 0.8645449      58 0.96920881
# 30    59 0.6401010      59 0.67371223
# 75    61 0.8806190      61 0.69882454
# 63    64 0.3287773      64 0.36918946
# 19    70 0.9240745      70 0.11350771
于 2013-03-05T15:48:52.530 回答
5

真正人类可以理解的示例(因为这是我第一次使用 %in%),如何比较两个数据帧并仅保留特定列中包含相等值的行:

# Set seed for reproducibility.
set.seed(1)

# Create two sample data frames.
data_A <- data.frame(id=c(1,2,3), value=c(1,2,3))
data_B <- data.frame(id=c(1,2,3,4), value=c(5,6,7,8))

# compare data frames by specific columns and keep only 
# the rows with equal values 
data_A[data_A$id %in% data_B$id,]   # will keep data in data_A
data_B[data_B$id %in% data_A$id,]   # will keep data in data_b

结果:

> data_A[data_A$id %in% data_B$id,]
  id value
1  1     1
2  2     2
3  3     3

> data_B[data_B$id %in% data_A$id,]
  id value
1  1     5
2  2     6
3  3     7
于 2016-04-13T20:56:31.703 回答
3

根据对原始帖子的评论,合并/连接非常适合这个问题。特别是,内部连接将仅返回两个数据帧中都存在的值,从而使该setdiff语句变得不必要。

使用 Dinre 示例中的数据:

在基础 R 中:

cleanedA <- merge(data_A, data_B[, "index"], by = 1, sort = FALSE)
cleanedB <- merge(data_B, data_A[, "index"], by = 1, sort = FALSE)

使用 dplyr 包:

library(dplyr)
cleanedA <- inner_join(data_A, data_B %>% select(index))
cleanedB <- inner_join(data_B, data_A %>% select(index))

要将数据保留为两个单独的表,每个表仅包含其自己的变量,这会将不需要的表子集化为仅其索引变量,然后再加入。然后没有新的变量被添加到结果表中。

于 2015-04-01T13:14:45.390 回答