R子集包含多个关键字的ID

Question

我需要根据 ID 是否包含一对关键字来对我的数据框进行子集化。我的数据是这样的：

Keyword  | ID
CVa      | 1
CVa      | 2
CVa      | 6
TST      | 3 
TST      | 3 
TST      | 2 
TST      | 2 
TST      | 4 
TST      | 5 
QFT      | 1
QFT      | 3 
QFT      | 6

我需要对所有具有 CVa 和 TST 或 CVa 和 QFT 关键字配对的行进行子集化。因此，例如，我想要 ID 为 1、2 和 6 的所有行。

这就是我现在所拥有的，但它并没有按照我需要的方式组合关键字。

CVaSubset <- subset(CleanKeys, subset = (CleanKeys$keyword == 'CVa' | CleanKeys$keyword == 'TST' | Cleankeys$keyword == 'QFT') 

这是子集，但我没有得到我需要的组合。我也试过了：

CVaSubset <- subset(CleanKeys, subset = ( (CleanKeys$keyword == 'CVa' & CleanKeys$keyword == 'TST') |(CleanKeys$keyword == 'CVa' & Cleankeys$keyword == 'QFT') 

我想我缺少 group_by 语句，但我不知道如何获得这两个关键字的组合。

编辑：

我在包含许多其他关键字的综合数据集上处理此代码并收到错误：

"Error: Can't subset columns that don't exist. x Columns CFC, CFC, CFC, CFC, CFC, etc. don't exist."

我解决了这个问题，但现在我在过滤步骤后收到错误：

x operations are possible only for numeric, logical or complex types

但是，我的一些关键字是连字符的，所以我认为这是问题所在。我把名字放在``里，我希望这能解决问题。

Answer 1

如果满足以下条件，则根据您的规范过滤数据会更容易 您的数据以“整洁”的方式组织。这意味着每个案例，代表 通过唯一的ID 值，在一行中。

我们可以通过tidyr::pivor_wider() 实现这一目标。 pivot_wider() 需要一个列来为宽格式绘制变量名，并且 要从中提取值的另一列。您的数据只有名称列 (Keyword)。 使用dplyr::mutate()，我们为每一行创建一个为TRUE 的虚拟变量。通过指定 pivot_wider() 的 values_fill 参数为 FALSE，每个单元格 表示关键字不存在的情况，将填充 FALSE.

library(tidyverse)
tidy_data <-
  data %>%
  unique() %>%
  mutate(dummy = TRUE) %>%
  pivot_wider(
    id_cols = ID,
    names_from = Keyword,
    values_from = dummy,
    values_fill = FALSE
  )

tidy_data
#> # A tibble: 6 x 4
#>      ID CVa   TST   QFT  
#>   <int> <lgl> <lgl> <lgl>
#> 1     1 TRUE  FALSE TRUE 
#> 2     2 TRUE  TRUE  FALSE
#> 3     6 TRUE  FALSE TRUE 
#> 4     3 FALSE TRUE  TRUE 
#> 5     4 FALSE TRUE  FALSE
#> 6     5 FALSE TRUE  FALSE

现在我们可以按照您描述的方式轻松过滤数据。

与dplyr::filter():

tidy_data %>%
  filter((CVa & TST) | (CVa & QFT))
#> # A tibble: 3 x 4
#>      ID CVa   TST   QFT  
#>   <int> <lgl> <lgl> <lgl>
#> 1     1 TRUE  FALSE TRUE 
#> 2     2 TRUE  TRUE  FALSE
#> 3     6 TRUE  FALSE TRUE

或base::subset()

subset(tidy_data, (CVa & TST) | (CVa & QFT))
#> # A tibble: 3 x 4
#>      ID CVa   TST   QFT  
#>   <int> <lgl> <lgl> <lgl>
#> 1     1 TRUE  FALSE TRUE 
#> 2     2 TRUE  TRUE  FALSE
#> 3     6 TRUE  FALSE TRUE

Answer 2

如果我理解正确，OP 想要识别 Cleankeys 中包含 both 关键字 CVa 和 TST 或 both 关键字的所有 ID CVa 和 QFT。然后，OP 想要使用已识别的 IDs 对 Cleankeys 进行子集化。

可以在数据文件中定义所需的关键字对，而不是硬编码条件：

# Required keyword pairings
pairs <- readr::read_table("
Keyword1 Keyword2
CVa      TST
CVa      QFT")

请注意，关键字对必须按行排序，即每一行都满足条件Keyword1 < Keyword2。该数据文件可以任意扩展，以根据需要包含尽可能多的关键字对。

现在，我们可以为CleanKeys 中的每个ID 创建所有可能的关键字对组合，并将其与所需的关键字配对进行比较。然后，那些具有出现在所需关键字配对中的关键字对的 ID 用于子集CleanKeys：

library(dplyr)
CleanKeys %>% 
  inner_join(x = ., y = ., by = "ID", suffix = c("1", "2")) %>% 
  filter(Keyword1 < Keyword2) %>% 
  right_join(pairs) %>% 
  select(ID) %>% 
  arrange() %>% 
  unique() %>% 
  left_join(CleanKeys)

     ID Keyword
  <dbl> <chr>  
1     1 CVa    
2     1 TST    
3     1 QFT    
4     2 CVa    
5     2 TST    
6     6 CVa    
7     6 QFT

数据

CleanKeys <- readr::read_delim("
Keyword  | ID
CVa      | 1
CVa      | 2
CVa      | 6
TST      | 3 
TST      | 3 
TST      | 1 
TST      | 2 
TST      | 4 
TST      | 5 
QFT      | 1
QFT      | 3 
QFT      | 6", 
delim = "|", trim_ws = TRUE)