数据框动态过滤

Question

我想通过一组用户定义的列和值来过滤数据框。

示例数据：test

  col1 col2 col3
1  1    a    4
2  2    b    5
3  3    c    6
4  3    c    7

如果用户指定使用c("col1", "col2") 过滤值c(3, "c")，我希望返回的结果是最后两行。

我尝试了以下方法：

test[test[c("col1", "col2")]==c(3,"c"),]

但是它给出了以下结果：

  col1 col2 col3
3  3    c    6
NA NA   NA   NA

知道为什么最后一行都是 NA 吗？ 我该如何解决这个问题？

Answer 1

我们需要正确获取行索引。它可以是vector 或logical 或numeric 索引。在比较中（最好使用list 而不是c，因为我们不想混合类）我们得到一个逻辑matrix，需要将其简化为向量。一个选项是rowSums 并检查每行的总和是否等于 2，即用于比较的列数和行子集

test[rowSums(test[c("col1", "col2")] == list(3, 'c'))==2,]
#  col1 col2 col3
#3    3    c    6
#4    3    c    7

---

现在，我们看看使用 c 和 list 的方法的区别

test[c("col1", "col2")]==c(3,"c")
#  col1  col2
#1 FALSE FALSE
#2 FALSE FALSE
#3  TRUE FALSE
#4 FALSE  TRUE

在这里，它通过一个接一个地循环元素来比较元素，即对于'col1'，将1与3进行比较，然后将2与'c'进行比较，然后再循环向量，即3与3，然后再次下一个3 带“c”。下一列也是如此。

test[c("col1", "col2")]== list(3,"c")
#   col1  col2
#1 FALSE FALSE
#2 FALSE FALSE
#3  TRUE  TRUE  #note the change
#4  TRUE  TRUE

虽然在这里，它将第一列元素与list 的第一个元素进行比较，即list 元素被复制或回收，然后将第二列与第二个list 元素进行比较

请注意，有 8 个元素，即每列 4 个。因此，碰巧在第一种情况下有 2 个 TRUE 元素，在第二种情况下有 4 个 TRUE 并且有 8 个元素，但是我们只有 4 行，所以当逻辑矩阵的第二列没有行时，它会创建TRUE 值的 NA 行

test[test[c("col1", "col2")]==c(3,"c"),]
#   col1 col2 col3
#3     3    c    6
#NA   NA <NA>   NA

同样，每列有 2 个 TRUE，再次创建两倍的 NA 行数

test[test[c("col1", "col2")]==list(3,"c"),]   
#   col1 col2 col3
#3       3    c    6
#4       3    c    7 
#NA     NA <NA>   NA
#NA.1   NA <NA>   NA

假设，我们也比较第 3 列，那么会有额外的 NA 行

test[test==list(3,"c", 5),]
#     col1 col2 col3
#3       3    c    6
#4       3    c    7
#NA     NA <NA>   NA
#NA.1   NA <NA>   NA
#NA.2   NA <NA>   NA

Answer 2

这是我的dplyr 解决方案：

library(dplyr)
test %>% 
  rowwise() %>% 
  mutate(con = if_else(col1 %in% 3 & col2 %in% "c",TRUE, FALSE)) %>% 
  filter(con == TRUE) %>% 
  select(-con)  %>% 
  ungroup

Answer 3

另一个带有 tidyeval 的 dplyrversion

library(dplyr)
column_equals <- function(df, ...) {
  conditions <- quos(...)
  df %>%  
    filter(!!!conditions)
}

test %>%  
  column_equals(col1 == 3 & col2 == "c")

Answer 4

这是为了将akrun answer 扩展到更真实的示例，其中搜索列中的数据可能包含NA。在这种情况下，最终输出中会出现“NA”行，这很混乱，可能会混淆下游分析。在此示例中，我使用 NA 值对列 num 和 col2 进行了加标。只有col2 中的NA 有效，因为它用于搜索。这个问题的根源是任何与NA 一起操作的东西都会给出NA（例如NA == 1 = NA），除了is.na

mydf <- data.frame(num = c(1:3, NA, 5, 6), col1 = c('a', 'b', 'a', 'b', 'c', 'd'), col2 = c('A', 'b', 'A', 'B', NA, 'D'), col3 = as.character(letters)[1:6])
getrows = mydf[c("col2", "col1")] == list("A", "a") # Mixing up column orders for fun
getrows = rowSums(getrows) == 2
getrows
mydf[getrows, ] # This gives undesired NA rows
# Use which to get exact row number
which(getrows)
mydf[which(getrows),] 

比较下面的输出：

> mydf <- data.frame(num = c(1:3, NA, 5, 6), col1 = c('a', 'b', 'a', 'b', 'c', 'd'), col2 = c('A', 'b', 'A', 'B', NA, 'D'), col3 = as.character(letters)[1:6])
> getrows = mydf[c("col2", "col1")] == list("A", "a") # Mixing up column orders for fun
> getrows = rowSums(getrows) == 2
> getrows
[1]  TRUE FALSE  TRUE FALSE    NA FALSE
> mydf[getrows, ] # This gives undesired NA rows
   num col1 col2 col3
1    1    a    A    a
3    3    a    A    c
NA  NA <NA> <NA> <NA>
> # Use which to get exact row number
> which(getrows)
[1] 1 3
> mydf[which(getrows),]
  num col1 col2 col3
1   1    a    A    a
3   3    a    A    c