如何用另一个 R 数据框的值对一个 R 数据框进行子集化？

Question

我在 R 中有两个数据框：

Died.At <- c(22,40,72,41, ...)
Writer.At <- c(16, 18, 36, 36)
Name <- c("John Doe", "Edgar Poe", "Walt Whitman", "Jane Austen", ...)
Gender <- c("MALE", "MALE", "MALE", "FEMALE", ...)
Date.Of.Death <- c("2015-05-10", "1849-10-07", "1892-03-26","1817-07-18", ...)
Pet <- c("cat", "dog", "cat", "cat")
df1 = data.frame(Died.At, Writer.At, Name, Gender, Pet)
print(df1)
  Died.At Writer.At     Name          Gender    Pet
1      22        16     John Doe      MALE      cat
2      40        18     Edgar Poe     MALE      dog
3      72        36     Walt Whitman  MALE      cat
4      41        36     Jane Austen   FEMALE    cat
.....

在df1 中，Name 的每一行并非都是唯一的（即有几行具有相同的作者。）

第二个数据框df2，还有一个列Name，其中两位作者来自df1（例如Jane Austen）和全新的作者。这个数据框也大得多。

print(length(unique(df1$Name)))
## output 1168
print(length(unique(df2$Name)))
## output 5572

我想对df2 进行子集化，以便唯一的名称是来自df1 的名称。

我的想法是这样做：

subset_df2 = df2[df2$Name == unique(df1$Name)]

但是，我希望这里有 1168 个唯一的作者姓名：

print(length(unique(subset_df2$Name)))
## output 880

这比我预期的要少。我的错误在哪里？

Answer 1

您可以使用match(df2$Name, df1$Name) 或df2$Name %in% df1$Name，它们返回一个逻辑向量，其长度为 df2$Name，以及逻辑 TRUE，其中 df2$Name 在 df1$Name 中。然后，您可以使用它来索引 df2。

subset_df2 <- df2[df2$Name %in% df1$Name, ]

见?match

至于你的代码为什么不起作用，请看这个练习的输出：

a = LETTERS[sample(1:10, size=15, replace=T)]
b = c(unique(a), LETTERS[15:30])
# compare
b == unique(a) 
b[b == unique(a)]
# vs
b %in% a
b[b %in% a]

还要注意b %in% a 不等于a %in% b，因此b[a %in% b] 会产生不正确的结果。

此外，在索引数据框时，您需要提供行范围和列范围。