我有一个大型数据集，我想读取特定列或删除所有其他列。
data <- read.dta("file.dta")
我选择了我不感兴趣的列：
var.out <- names(data)[!names(data) %in% c("iden", "name", "x_serv", "m_serv")]
而且我想做这样的事情：
for(i in 1:length(var.out)) {
paste("data$", var.out[i], sep="") <- NULL
}
删除所有不需要的列。这是最优解吗？
【问题讨论】：
subset(data, select=c(...)) 在我的情况下有助于删除变量。不过，问题主要是关于paste("data$",var.out[i],sep="") 部分以访问循环内感兴趣的列。我如何粘贴或以某种方式组成列名？感谢大家的关注和帮助
您应该使用索引或subset 函数。例如：
R> df <- data.frame(x=1:5, y=2:6, z=3:7, u=4:8)
R> df
x y z u
1 1 2 3 4
2 2 3 4 5
3 3 4 5 6
4 4 5 6 7
5 5 6 7 8
然后您可以在列索引中使用which 函数和- 运算符：
R> df[ , -which(names(df) %in% c("z","u"))]
x y
1 1 2
2 2 3
3 3 4
4 4 5
5 5 6
或者，更简单的是，使用subset 函数的select 参数：然后您可以直接在列名向量上使用- 运算符，甚至可以省略名称周围的引号！
R> subset(df, select=-c(z,u))
x y
1 1 2
2 2 3
3 3 4
4 4 5
5 5 6
请注意，您也可以选择所需的列而不是删除其他列：
R> df[ , c("x","y")]
x y
1 1 2
2 2 3
3 3 4
4 4 5
5 5 6
R> subset(df, select=c(x,y))
x y
1 1 2
2 2 3
3 3 4
4 4 5
5 5 6
【讨论】：
select 函数的subset 参数完美地完成了这项工作！谢谢朱巴！
which 不是必需的，请参阅 Ista 的回答。但是- 的子集很好！不知道！
subset 看起来不错，但它默默删除缺失值的方式对我来说似乎很危险。
subset 确实非常方便，但请记住避免使用它，除非您以交互方式使用 R。请参阅the Warning in the function's documentation 和this SO question 了解更多信息。
不要为此使用-which()，这是非常危险的。考虑：
dat <- data.frame(x=1:5, y=2:6, z=3:7, u=4:8)
dat[ , -which(names(dat) %in% c("z","u"))] ## works as expected
dat[ , -which(names(dat) %in% c("foo","bar"))] ## deletes all columns! Probably not what you wanted...
改为使用子集或! 函数：
dat[ , !names(dat) %in% c("z","u")] ## works as expected
dat[ , !names(dat) %in% c("foo","bar")] ## returns the un-altered data.frame. Probably what you want
我从痛苦的经历中学到了这一点。不要过度使用which()！
【讨论】：
setdiff 也很有用：setdiff(names(dat), c("foo", "bar"))
setdiff 提案非常适合长名单。
首先，如果您使用相同的数据框，您可以使用直接索引（使用布尔向量）而不是重新访问列名；正如 Ista 指出的那样，它会更安全，并且编写和执行起来也更快。所以你只需要：
var.out.bool <- !names(data) %in% c("iden", "name", "x_serv", "m_serv")
然后，只需重新分配数据：
data <- data[,var.out.bool] # or...
data <- data[,var.out.bool, drop = FALSE] # You will need this option to avoid the conversion to an atomic vector if there is only one column left
其次，写起来比较快，可以直接给要移除的列赋值NULL：
data[c("iden", "name", "x_serv", "m_serv")] <- list(NULL) # You need list() to respect the target structure.
最后，您可以使用subset()，但它不能真正在代码中使用（甚至帮助文件都警告过它）。具体来说，我的一个问题是，如果你想直接使用 susbset() 的 drop 特性，你需要在不带引号的情况下编写与列名对应的表达式：
subset( data, select = -c("iden", "name", "x_serv", "m_serv") ) # WILL NOT WORK
subset( data, select = -c(iden, name, x_serv, m_serv) ) # WILL
作为奖励，这里是不同选项的小基准，清楚地表明子集更慢，而第一种重新分配方法更快：
re_assign(dtest, drop_vec) 46.719 52.5655 54.6460 59.0400 1347.331
null_assign(dtest, drop_vec) 74.593 83.0585 86.2025 94.0035 1476.150
subset(dtest, select = !names(dtest) %in% drop_vec) 106.280 115.4810 120.3435 131.4665 65133.780
subset(dtest, select = names(dtest)[!names(dtest) %in% drop_vec]) 108.611 119.4830 124.0865 135.4270 1599.577
subset(dtest, select = -c(x, y)) 102.026 111.2680 115.7035 126.2320 1484.174
代码如下：
dtest <- data.frame(x=1:5, y=2:6, z = 3:7)
drop_vec <- c("x", "y")
null_assign <- function(df, names) {
df[names] <- list(NULL)
df
}
re_assign <- function(df, drop) {
df <- df [, ! names(df) %in% drop, drop = FALSE]
df
}
res <- microbenchmark(
re_assign(dtest,drop_vec),
null_assign(dtest,drop_vec),
subset(dtest, select = ! names(dtest) %in% drop_vec),
subset(dtest, select = names(dtest)[! names(dtest) %in% drop_vec]),
subset(dtest, select = -c(x, y) ),
times=5000)
plt <- ggplot2::qplot(y=time, data=res[res$time < 1000000,], colour=expr)
plt <- plt + ggplot2::scale_y_log10() +
ggplot2::labs(colour = "expression") +
ggplot2::scale_color_discrete(labels = c("re_assign", "null_assign", "subset_bool", "subset_names", "subset_drop")) +
ggplot2::theme_bw(base_size=16)
print(plt)
【讨论】：
NULL 的第二种选择，但是为什么当您输入两个以上的名称时需要使用list(NULL) 来分配它？我只是想知道它是如何工作的，因为我只尝试了一个名字，我不需要list()
$ 或[[），使用<- list(NULL) 实际上会导致错误的结果。如果您访问具有一列或多列的数据帧的子集，<- list(NULL) 是可行的方法，即使单列数据帧不需要它（因为如果需要，df['myColumns'] 将被转换为向量）。
NULL 和 list(NULL) 得到相同的结果。
你也可以试试dplyr 包：
R> df <- data.frame(x=1:5, y=2:6, z=3:7, u=4:8)
R> df
x y z u
1 1 2 3 4
2 2 3 4 5
3 3 4 5 6
4 4 5 6 7
5 5 6 7 8
R> library(dplyr)
R> dplyr::select(df2, -c(x, y)) # remove columns x and y
z u
1 3 4
2 4 5
3 5 6
4 6 7
5 7 8
【讨论】：
dplyr::select(df2, -one_of(c('x','y'))) 仍然有效（带有警告）
这里有一个快速解决方案。假设您有一个数据框 X，其中包含三列 A、B 和 C：
> X<-data.frame(A=c(1,2),B=c(3,4),C=c(5,6))
> X
A B C
1 1 3 5
2 2 4 6
如果我想删除列，比如 B，只需在 colnames 上使用 grep 来获取列索引，然后您可以使用它来省略列。
> X<-X[,-grep("B",colnames(X))]
您的新 X 数据框如下所示（这次没有 B 列）：
> X
A C
1 1 5
2 2 6
grep 的美妙之处在于您可以指定多个与正则表达式匹配的列。如果我的 X 有五列（A、B、C、D、E）：
> X<-data.frame(A=c(1,2),B=c(3,4),C=c(5,6),D=c(7,8),E=c(9,10))
> X
A B C D E
1 1 3 5 7 9
2 2 4 6 8 10
取出 B 列和 D 列：
> X<-X[,-grep("B|D",colnames(X))]
> X
A C E
1 1 5 9
2 2 6 10
编辑：考虑以下 cmets 中 Matthew Lundberg 的 grepl 建议：
> X<-data.frame(A=c(1,2),B=c(3,4),C=c(5,6),D=c(7,8),E=c(9,10))
> X
A B C D E
1 1 3 5 7 9
2 2 4 6 8 10
> X<-X[,!grepl("B|D",colnames(X))]
> X
A C E
1 1 5 9
2 2 6 10
如果我尝试删除不存在的列，则不会发生任何事情：
> X<-X[,!grepl("G",colnames(X))]
> X
A C E
1 1 5 9
2 2 6 10
【讨论】：
X[,-grep("B",colnames(X))] 在没有列名包含B 的情况下将不返回任何列，而不是返回所需的所有列。以X <- iris 为例。这是使用带有计算值的负索引的问题。请考虑使用grepl。
我在使用data.table 包时尝试删除一列，但得到了意想不到的结果。我有点认为以下内容可能值得发布。只是一点警告。
[由马修编辑...]
DF = read.table(text = "
fruit state grade y1980 y1990 y2000
apples Ohio aa 500 100 55
apples Ohio bb 0 0 44
apples Ohio cc 700 0 33
apples Ohio dd 300 50 66
", sep = "", header = TRUE, stringsAsFactors = FALSE)
DF[ , !names(DF) %in% c("grade")] # all columns other than 'grade'
fruit state y1980 y1990 y2000
1 apples Ohio 500 100 55
2 apples Ohio 0 0 44
3 apples Ohio 700 0 33
4 apples Ohio 300 50 66
library('data.table')
DT = as.data.table(DF)
DT[ , !names(dat4) %in% c("grade")] # not expected !! not the same as DF !!
[1] TRUE TRUE FALSE TRUE TRUE TRUE
DT[ , !names(DT) %in% c("grade"), with=FALSE] # that's better
fruit state y1980 y1990 y2000
1: apples Ohio 500 100 55
2: apples Ohio 0 0 44
3: apples Ohio 700 0 33
4: apples Ohio 300 50 66
基本上，data.table 的语法与data.frame 并不完全相同。实际上有很多不同之处，请参阅常见问题解答 1.1 和常见问题解答 2.17。您已被警告！
【讨论】：
DT[,var.out := NULL] 删除您希望这样做的列。
data.frame 和 data.table 类
df2 <- df[!names(df) %in% c("c1", "c2")]
【讨论】：
我把代码改成：
# read data
dat<-read.dta("file.dta")
# vars to delete
var.in<-c("iden", "name", "x_serv", "m_serv")
# what I'm keeping
var.out<-setdiff(names(dat),var.in)
# keep only the ones I want
dat <- dat[var.out]
不管怎样，juba的回答是解决我问题的最好办法！
【讨论】：
subset 函数的select 参数。我只是想看看如何在循环中访问任意列，以防我想做其他事情而不仅仅是删除列。原始数据集有大约 1200 个变量，我只对使用其中的 4 个感兴趣，而不知道它们到底在哪里。
这是另一个可能对其他人有帮助的解决方案。下面的代码从大型数据集中选择少量的行和列。除了我使用粘贴函数来选择一组名称按顺序编号的列之外，这些列的选择与 juba 的一个答案一样：
df = read.table(text = "
state county city region mmatrix X1 X2 X3 A1 A2 A3 B1 B2 B3 C1 C2 C3
1 1 1 1 111010 1 0 0 2 20 200 4 8 12 NA NA NA
1 2 1 1 111010 1 0 0 4 NA 400 5 9 NA NA NA NA
1 1 2 1 111010 1 0 0 6 60 NA NA 10 14 NA NA NA
1 2 2 1 111010 1 0 0 NA 80 800 7 11 15 NA NA NA
1 1 3 2 111010 0 1 0 1 2 1 2 2 2 10 20 30
1 2 3 2 111010 0 1 0 2 NA 1 2 2 NA 40 50 NA
1 1 4 2 111010 0 1 0 1 1 NA NA 2 2 70 80 90
1 2 4 2 111010 0 1 0 NA 2 1 2 2 10 100 110 120
1 1 1 3 010010 0 0 1 10 20 10 200 200 200 1 2 3
1 2 1 3 001000 0 0 1 20 NA 10 200 200 200 4 5 9
1 1 2 3 101000 0 0 1 10 10 NA 200 200 200 7 8 NA
1 2 2 3 011010 0 0 1 NA 20 10 200 200 200 10 11 12
", sep = "", header = TRUE, stringsAsFactors = FALSE)
df
df2 <- df[df$region == 2, names(df) %in% c(paste("C", seq_along(1:3), sep=''))]
df2
# C1 C2 C3
# 5 10 20 30
# 6 40 50 NA
# 7 70 80 90
# 8 100 110 120
【讨论】：
如果您确切知道原始数据框中名为“df”的列的名称：
cols_to_drop <- c("A", "B", "C")
df_clean = df[,!(names(df) %in% cols_to_drop)]
源：https://www.listendata.com/2015/06/r-keep-drop-columns-from-data-frame.html
【讨论】：
由于声誉得分低，我无法在 cmets 中回答您的问题。
接下来的代码会报错，因为粘贴函数返回一个字符串
for(i in 1:length(var.out)) {
paste("data$", var.out[i], sep="") <- NULL
}
这是一个可能的解决方案：
for(i in 1:length(var.out)) {
text_to_source <- paste0 ("data$", var.out[i], "<- NULL") # Write a line of your
# code like a character string
eval (parse (text=text_to_source)) # Source a text that contains a code
}
或者干脆做：
for(i in 1:length(var.out)) {
data[var.out[i]] <- NULL
}
【讨论】：
df = mtcars
dfnum = df[,-c(8,9)]
【讨论】：