如果一组行不包含特定单词，则过滤 dplyr 链中的行

Question

假设我有以下数据集：

df <- read.table(header=TRUE, text="name value
stranger_things_mc Stranger_Land
stranger_things_confidence 100
stranger_things_importance 1
stranger_things_answer Stranger_Things
immigrant_crime_number 140
immigrant_crime_confidence 100
immigrant_crime_importance 3
immigrant_crime_answer 50
dog_things_mc Stranger_Land
dog_things_confidence 100
dog_things_importance 1
dog_things_answer Stranger_Things
fighting_stats_number 140
fighting_stats_confidence 100
fighting_stats_answer 50")

每第四行应该包含三个后缀（_confidence、_importance、_answer），但有时不包含（如上面的“fighting_stats”）。一行有时有 (_mc) 后缀，有时它会显示 (_number 或 _slider)。

我想过滤掉任何包含（_number 或 _slider）以及与该 _number 或 _slider 列关联的三行的行。因此，在上面的示例中，结果输出将是：

df <- read.table(header=TRUE, text="name value
stranger_things_mc Stranger_Land
stranger_things_confidence 100
stranger_things_importance 1
stranger_things_answer Stranger_Things
dog_things_mc Stranger_Land
dog_things_confidence 100
dog_things_importance 1
dog_things_answer Stranger_Things")

我可以像这样过滤掉特定的列：

final_results <- df %>% 
  filter(!str_detect(name, "_number") & !str_detect(name, "_slider"))

但无法弄清楚如何删除所有关联的列。一般算法应该是：

首先，在名称列中找到带有“_number”或“_slider”的行，然后抓取它之前的文本。在上面的示例中，这将是“fighting_stats”和“immigrant_crime”。然后，删除任何包含该文本的行。

Answer 1

我们根据每第四行是一个新块 (gl) 的条件创建一个分组列，然后将 filter 排除在 'name' 的 first 元素不是 _number 或_slider，然后是 ungroup 并删除创建的临时“grp”列

library(dplyr)
df %>% 
    group_by(grp = as.integer(gl(n(), 4, n()))) %>% 
    filter(!str_detect(first(name), "_(number|slider)")) %>%
    ungroup %>%
    select(-grp)

更新

基于来自 OP 的 cmets，即块由它们的公共前缀确定，然后提取第一个 word，将其用作分组变量并像以前一样执行 filter

library(stringr)
df %>%
  group_by(grp = word(name, 1, sep="_")) %>% 
  filter(!str_detect(first(name), "_(number|slider)"))

ungroup 部分与之前相同

如果有重复的前缀，即不相邻的前缀并且需要被视为单独的块，则使用 data.table 中的 rleid 创建分组变量

df %>%
  group_by(grp = rleid(word(name, 1, sep="_"))) %>%
  filter(!str_detect(first(name), "_(number|slider)"))

Answer 2

我将如何解决这个问题：

groups <- df %>% 
  mutate(grp = str_extract(name, '.*(?=_confidence|_importance|_answer|_mc|_number|_slider)'),
         sfx = str_extract(name, '(_confidence|_importance|_answer|_mc|_number|_slider)')) %>% 
  group_by(grp) %>% 
  summarize(confidence = '_confidence' %in% sfx,
            importance = '_importance' %in% sfx,
            answer = '_answer' %in% sfx,
            mc = '_mc' %in% sfx,
            number = '_number' %in% sfx,
            slider = '_slider' %in% sfx) %>% 
  ungroup() %>% 
  gather(sfx, contains, -grp) %>% 
  filter(contains == TRUE) %>% 
  select(-contains)


df %>% 
  mutate(grp = str_extract(name, '.*(?=_confidence|_importance|_answer|_mc|_number|_slider)')) %>% 
  anti_join(groups %>% 
               filter(sfx == 'number') %>%
               select(grp))

在高层次上，我正在创建一个包含字符串 name 的词干和后缀的中间数据框，并使用词干创建一个组，并确定每个组中包含哪些后缀集列表的茎。然后，我们不是在原始数据帧上使用filter，而是在中间数据帧上使用filter，然后在原始数据帧上使用anti_join。

让我们更详细地介绍一下：

 mutate(grp = str_extract(name, '.*(?=_confidence|_importance|_answer|_mc|_number|_slider)'),
         sfx = str_extract(name, '(_confidence|_importance|_answer|_mc|_number|_slider)'))

这部分是我们如何使用正则表达式将name 列拆分为其组成部分。

group_by(grp) %>% 
  summarize(confidence = '_confidence' %in% sfx,
            importance = '_importance' %in% sfx,
            answer = '_answer' %in% sfx,
            mc = '_mc' %in% sfx,
            number = '_number' %in% sfx,
            slider = '_slider' %in% sfx) %>% 
  ungroup()

在这里，我们按“词干”（我将其命名为 grp）进行分组，然后查找每个后缀。这部分有点不稳定，如果您的数据中有更多组，则需要扩展。

gather(sfx, contains, -grp) %>% 
  filter(contains == TRUE) %>% 
  select(-contains)

在这里，我们将数据转换为“长”样式的数据框，并且只保留每个组中实际包含的后缀。

这样就完成了中间数据帧。

df %>% 
  mutate(grp = str_extract(name, '.*(?=_confidence|_importance|_answer|_mc|_number|_slider)'))

我们首先必须在原始数据框上创建grp 列，以使anti_join 工作。

anti_join(groups %>% 
               filter(sfx == 'number') %>%
               select(grp))

最后，我们anti_join将中间数据帧的过滤版本转换为原始数据帧。我相信这会达到你想要的效果。

希望有帮助！