使用 data.table 子集数据以仅包含名称与多个条件匹配的列答案

【问题标题】：Subset data to contain only columns whose names match multiple condition using data.table使用 data.table 子集数据以仅包含名称与多个条件匹配的列
【发布时间】：2022-08-19 15:37:47
【问题描述】：

这是基于此question。问题说：

有没有办法让我根据列名开始子集数据有一个特定的字符串？我有一些类似于 ABC_1 的列 ABC_2 ABC_3 和一些像 XYZ _1、XYZ _2、XYZ _3 比方说。

如何仅根据包含上述内容的列对我的 df 进行子集化部分文本（比如说，ABC 或 XYZ）？我可以使用索引，但是列在数据中太分散了，变得太难了编码。

另外，我只想包含这些列中的任何行它们的值大于 0，因此如果上面 6 列中的任何一列有 1 in 行，它切入我的最终数据框。

使用 dplyr 选择的答案之一多列对于新数据：

df <- df %>% dplyr:: select(grep(\"ABC\", names(df)), grep(\"XYZ\", 名称（df）））

但是，我想要一个类似于上述的 data.table 解决方案。我知道（根据答案之一） data.table 可以做一个条件，但不确定如何做多个：

df[, grep(\"ABC\", names(df)), with = FALSE]

标签： r data.table subset

【解决方案1】：

您可以在 data.table 中使用 patterns 在其 .SDcols 参数中选择与某些模式匹配的多个列：

# turn df into data.table
setDT(df)

# select columns that contain ABD or XYZ
df[, .SD, .SDcols=patterns("ABC|XYZ")]

# or
df[, grep("ABC|XYZ", names(df)), with=FALSE]

同时对行和列进行子集化

cols = grep("ABC|XYZ",  names(df))

df[rowSums(df[, ..cols]>0)>0, .SD, .SDcols=cols]

【讨论】：

【解决方案2】：

为什么不是这个？

set.seed(1)
df <- data.frame( ABC_1 = sample(0:1,3,repl = TRUE),
                  ABC_2 = sample(0:1,3,repl = TRUE),
                  XYZ_1 = sample(0:1,3,repl = TRUE),
                  XYZ_2 = sample(0:1,3,repl = TRUE),
                  BCD_1 = sample(0:1, 3, replace = TRUE))
library(data.table)

df[, c(grep("ABC", names(df)), grep("XYZ", names(df)))]
#>   ABC_1 ABC_2 XYZ_1 XYZ_2
#> 1     0     0     0     1
#> 2     1     1     0     0
#> 3     0     0     1     0

^{创建于 2022-07-08 由 reprex package (v2.0.1)}

【讨论】：

小细节，但您可以缩短最后一行：df[, c(grep("ABC|XYZ", names(df)))]

【解决方案3】：

假设您有一个data.table，其中包含这么多列：

library(data.table)

DF <- matrix(data = rnorm(n = 50), nrow = 5, ncol = 10) |> 
  round(digits = 2) |> 
  as.data.table()

colnames(DF) <- paste0(letters[1:5], 1:10)
DF
#>       a1    b2    c3   d4    e5    a6    b7   c8    d9   e10
#> 1:  0.50  0.23  1.59 1.77  1.14  0.54  1.43 0.77 -1.22  1.25
#> 2:  0.16 -0.66  0.91 0.21 -2.96 -0.76  0.26 0.28 -0.59  0.23
#> 3: -1.60 -1.01 -0.22 1.14 -1.94 -0.65 -0.36 0.94  0.31  0.47
#> 4: -1.50  0.26 -0.54 0.60 -0.81 -0.41  0.30 0.52  0.10 -1.02
#> 5: -0.60 -1.64  1.33 0.31 -1.82 -0.33 -1.89 0.34 -0.68  0.72

要仅选择以某个前缀开头的列，例如“a”，您可以使用startsWith()：

DF[, .SD, .SDcols = startsWith(x = colnames(DF), prefix = "a")]
#>       a1    a6
#> 1:  0.50  0.54
#> 2:  0.16 -0.76
#> 3: -1.60 -0.65
#> 4: -1.50 -0.41
#> 5: -0.60 -0.33

选择名称包含某些字符串的所有列，例如。无论是“a”还是“b”，您都可以将grep() 与匹配“a”或“b”的模式一起使用：

DF[, .SD, .SDcols = grep(pattern = "a|b", x = colnames(DF))]
#>       a1    b2    a6    b7
#> 1:  0.50  0.23  0.54  1.43
#> 2:  0.16 -0.66 -0.76  0.26
#> 3: -1.60 -1.01 -0.65 -0.36
#> 4: -1.50  0.26 -0.41  0.30
#> 5: -0.60 -1.64 -0.33 -1.89

【讨论】：

【解决方案4】：

data.table 的单行代码（使用 objectclosure 的示例 DF）：

DF[, .SD[rowSums(.SD > 0) > 0,], .SDcols = patterns("^a")]
#       a1    a6
#    <num> <num>
# 1:  1.37 -0.70
# 2:  1.92  0.60
# 3:  0.41 -0.06
# 4: -1.43  1.28
# 5:  0.22 -0.89

为清楚起见，因为代码中有两个 > 0s：

.SD > 0 是您的“超过 0 的值”的过滤器；和
rowSums(.) > 0 表示一行中的一个或多个值满足上述条件。

翻译，如果您想要一个或多个值大于 3 的行，那么内部代码将是 .SD[rowSums(.SD > 3) > 0,]。

【讨论】：