我正在处理一个大型数据集。首先,对于某些列(X1,X2,...),我试图确定一个值范围(a,b)由重复值(a > n,b > n)组成。接下来,我希望根据将相应列与上一步中给出的结果相匹配的条件过滤行。
这是一个模拟我面临的场景的可重现示例,
library(tidyverse)
set.seed(1122)
vecs <- lapply(X = 1:2, function(x) rep(c(1, 2, 3), times = 10) %>% sample() %>% head(10))
names(vecs) <- paste0("col_", 1:2)
dat <- vecs %>% as.data.frame()
dat
col_1 col_2
1 3 2
2 1 1
3 1 1
4 1 2
5 1 2
6 3 3
7 3 3
8 2 1
9 1 3
10 2 2
我可以通过以下方法识别范围,
# Which col has repeated value more than 3 appearances?
more_than_3 <- function(df, var){
var <- rlang::sym(var)
df %>%
group_by(!!var) %>%
summarise(n = n()) %>%
filter(n > 3) %>%
pull(!!var) %>%
range()
}
cols_name <- c("col_1", "col_2")
some_range <- purrr::map(cols_name, more_than_3, df = dat)
names(some_range) <- cols_name
some_range
$col_1
[1] 1 1
$col_2
[1] 2 2
但是,要过滤掉超出上限的值,这就是我所做的。
dat %>%
filter(col_1 <= some_range[["col_1"]][2],
col_2 <= some_range[["col_2"]][2])
col_1 col_2
1 1 1
2 1 1
3 1 2
4 1 2
我相信必须有一种更有效、更优雅的方式来基于整洁的评估过滤结果。有人可以指出我正确的方向吗?
提前谢谢了。