通过匹配多列中的多个字符串来过滤数据框

Question

我一直没有成功尝试使用dplyr 和grep 库过滤我的数据框，并使用我的数据框多列中的字符串列表。我认为这是一项简单的任务，但要么没有人问过我的具体问题，要么不像我最初想象的那么容易。

对于下面的数据框...

foo <- data.frame(var.1 = c('a', 'b',' c'),
           var.2 = c('b', 'd', 'e'),
           var.3 = c('c', 'f', 'g'),
           var.4 = c('z', 'a', 'b'))

... 我希望能够逐行过滤以查找包含所有三个变量 a、b 和 c 的行。 我寻求的答案只会返回第 1 行，因为它包含 a、b 和 c，而不返回第 2 行和第 3 行，即使它们包含三个寻求变量中的两个，它们也不包含所有三个变量同一行。

我遇到了grep 只允许一次指定向量或一列的问题，而我真的只关心在同一行的许多列中查找字符串。

我还使用dplyr 到filter 使用%in%，但它只会在任何变量存在时返回：

foo %>% 
  filter(var.1 %in% c('a', 'b', 'c') |
           var.2 %in% c('a', 'b', 'c') |
           var.3 %in% c('a', 'b', 'c'))

感谢您的任何帮助，如果您需要任何说明，请告诉我！

Answer 1

这是基于 R 的一种方法，我们检查 foo 的元素是否连续等于 "a"、"b" 或 "c"，添加布尔值并检查每行的这些布尔值的总和大于等于3

Reduce("+", lapply(c("a", "b", "c"), function(x) rowSums(foo == x) > 0)) >=3
#[1]  TRUE FALSE FALSE

时间

foo = matrix(sample(letters[1:26], 1e7, replace = TRUE), ncol = 5)
system.time(Reduce("+", lapply(letters[1:20], function(x) rowSums(foo == x) > 0)) >=20)
#   user  system elapsed 
#   3.26    0.48    3.79 

system.time(apply(foo, 1, function(x) all(letters[1:20] %in% x)))
#   user  system elapsed 
#  18.86    0.00   19.19 


identical(Reduce("+", lapply(letters[1:20], function(x) rowSums(foo == x) > 0)) >=20, 
          apply(foo, 1, function(x) all(letters[1:20] %in% x)))
#[1] TRUE
> 

Answer 2

您的问题源于尝试将“tidyverse”解决方案应用于不整洁的数据。这是整洁的解决方案，它使用melt 使您的数据整洁。看看这个解决方案有多整洁？

> library(reshape2)
> rows = foo %>%
      mutate(id=1:nrow(foo)) %>% 
      melt(id="id") %>% 
      filter(value=="a" | value=="b" | value=="c") %>%
      group_by(id) %>% 
      summarize(N=n()) %>% 
      filter(N==3) %>%
      select(id) %>%
      unlist
Warning message:
attributes are not identical across measure variables; they will be dropped 

这为您提供了匹配行索引的向量，然后您可以使用以下方法对原始数据框进行子集化：

> foo[rows,]
  var.1 var.2 var.3 var.4
1     a     b     c     z
>