按名称从字符串向量中删除许多条目

Question

我想删除具有 500 个列名的向量中的大约 100 个条目，然后使用该向量将（预测）矩阵 m 的行归零。

作为我的数据框的一个非常简单的例子：

A 1 2 3
B 1 2 3
C 1 2 3
D 1 2 3
E 1 2 3
F 1 2 3
G 1 2 3
H 1 2 3
I 1 2 3
J 1 2 3

首先我将列名放入一个向量中：

x <- colnames(df) # x <- c("A","B","C","D","E","F","G,"H","I","J")

假设我想删除 B 直到 D、F 和 G 直到 I（实际上是大约 100 个变量散布在向量上，我不知道它们的索引）。我想做类似的事情：

*remove <- c(B:D, F, G:I)* # This does now work obviously
x [! x %in% remove]

这会给我留下一个向量x，如下所示：

A
E
J

这个向量表示需要设置为零的行名（和列名，因为它是一个预测矩阵）：

m[x,] <- 0

创建以下输出：

  A B C D E F G H
A 1 0 1 0 1 0 1 0
B 0 0 0 0 0 0 0 0
C 0 0 0 0 0 0 0 0
D 0 0 0 0 0 0 0 0
E 1 0 1 0 1 0 1 0
F 1 0 1 0 1 0 1 0
G 0 0 0 0 0 0 0 0
H 0 0 0 0 0 0 0 0
I 0 0 0 0 0 0 0 0
J 1 0 1 0 1 0 1 0

如何从所有变量名的向量中删除这 100 个变量名，并使用该向量来引用矩阵的列名？

Answer 1

有趣的用例。我们可以设计一个函数，帮助您以您希望的通用方式执行此操作。

---

注意：

我使用了低于 b/c 的数据框，我认为最初没有（或者我只是错过了）矩阵提及，现在各种问题编辑会混淆列名和行名。 所以你应该从下面关注的位是：

# get the terms of the formula
trms <- terms(remove_spec)

# get each element (will be each group separated by `+`
elements <- attr(trms, "term.labels")

# adding in assertions to validate `col` is in `xdf` and that only
# the restricted syntax is used in the formula and that it's valid 
# is up to the OP

# now, find the positions of all those strings
unlist(lapply(elements, function(y) {
  if (grepl(":", y)) {
    rng <- strsplit(y, ":")[[1]]
    which(x[,col] == rng[1]) : which(x[,col] == rng[2])
  } else {
    which(x[,col] == y)
  }
}), use.names = FALSE) -> to_exclude

因为我现在已经完成了这个 q（并且行名是如此 1980 年代:-)。请注意答案末尾的警告。

其他人可以随意在 OP 用例的实际矩阵答案中使用它。

---

我们将制作一些模拟数据（如果您想要更大的示例，我可以将示例放大）：

library(dplyr) # mostly for saner data frame constructor & printing

set.seed(2018-11-18)

data_frame(
  cat = LETTERS,
  val1 = sample(100, length(cat), replace = TRUE),
  val2 = sample(100, length(cat), replace = TRUE),
  val3 = sample(100, length(cat), replace = TRUE)
) -> xdf

xdf
## # A tibble: 26 x 4
##    cat    val1  val2  val3
##    <chr> <int> <int> <int>
##  1 A        87    98     5
##  2 B        30    69    39
##  3 C        87     1    32
##  4 D        65    46    87
##  5 E         4    69     6
##  6 F        53    20    31
##  7 G        43    51    84
##  8 H        27    43    65
##  9 I        27     9    10
## 10 J        10    94    11
## # ... with 16 more rows

（tibble 打印是 def >> 基本打印 IMO，但我离题了）。

现在，您想使用字符串来指定单个元素和范围，并确定在幕后做什么。我们需要一个函数来实现和，我们可以利用一个特殊的 R 类——forumla——来帮助实现更紧凑的语法。也就是说，能够调用这样的函数不是很好吗：

remove_rows(xdf, cat, ~B:C+F+G:I)

这将在xdf的cat列中寻找“B”的范围：“C”，找到“F”的位置，然后找到“G”的范围":"I" 并返回一个排除了那些的数据框？是的，是的。所以，让我们构建它吧！

#' @param x data frame
#' @param col bare column name to use for the comparison
#' @param formula restricted operators are `:` for range and `+` for additing selectors
remove_rows <- function(x, col, remove_spec) {

  # this is pure convenience we could just as easily have forced folks 
  # to pass in a string (and we can modify it to handle both)
  col <- as.character(substitute(col)) 

  # get the terms of the formula
  trms <- terms(remove_spec)

  # get each element (will be each group separated by `+`
  elements <- attr(trms, "term.labels")

  # adding in assertions to validate `col` is in `xdf` and that only
  # the restricted syntax is used in the formula and that it's valid 
  # is up to the OP

  # now, find the positions of all those strings
  unlist(lapply(elements, function(y) {
    if (grepl(":", y)) {
      rng <- strsplit(y, ":")[[1]]
      which(x[,col] == rng[1]) : which(x[,col] == rng[2])
    } else {
      which(x[,col] == y)
    }
  }), use.names = FALSE) -> to_exclude

  # and get rid of those puppies
  x[-to_exclude,]

}

现在我们可以实事求是了：

remove_rows(xdf, cat, ~B:C+F+G:I)
## # A tibble: 20 x 4
##    cat    val1  val2  val3
##    <chr> <int> <int> <int>
##  1 A        87    98     5
##  2 D        65    46    87
##  3 E         4    69     6
##  4 J        10    94    11
##  5 K        37    86    52
##  6 L        89    64    44
##  7 M        61    10    28
##  8 N        79    52    89
##  9 O        71    33    77
## 10 P        45    33    77
## 11 Q        56    97    29
## 12 R        10    28    39
## 13 S        25     7    71
## 14 T        86    57    51
## 15 U        92     2    15
## 16 V        25    36    12
## 17 W        90    78    10
## 18 X        20    82    90
## 19 Y        39    84    13
## 20 Z        43    93    18

函数的命名很糟糕，因此您可能想要更改它，并且您确实应该添加一些参数检查和验证，但我相信这可以满足您的需求（假设您真的确定数据帧的顺序是您认为的顺序）。

此外，这是不完美的，因为字符串被限制为公式（其中一个限制是它们不能以没有反引号的数字开头）。但是，您没有提供真实字符串的样本。

Answer 2

我使用 hrbrmstr 的答案和长期的解决方法让它工作。如果有人能告诉我如何减少混乱，请告诉我。

# Copy prediction matrix and turn it into a dataframe for the "remove rows" function
varlist <- m
varlist <- as.data.frame(varlist)

# Create a column called "cat" with the rownames for the "remove rows" function
varlist$cat = rownames(varlist)
# Use the function to remove the rows from the copied df
varlist <- remove_rows(varlist, cat, ~B:C+F+G:I)
# Only keep the "cat" column and turn it into a vector
varlist <- varlist$cat
varlist <- varlist[['cat']]
# Copy prediction matrix and use "varlist" to put the correct rows to zero.
m_reduced <- m
m_reduced[ ,varlist] <- 0

如果有人能告诉我如何清理这个怪物，我会非常高兴。

Answer 3

这是我的方式：

remove<-function(lets_to_be_removed,names){
    letters_with_names<-1:length(LETTERS) # each value corresponds to a letter
    names(letters_with_names)<-LETTERS # the letters, for example: letters_with_name["A"]==1 is TRUE
    result<-integer()
    for(letters in lets_to_be_removed){
        #check if it is only one letter
        res <- if(length(letters) == 1) letters_with_names[letters] else letters_with_names[letters[1]]:letters_with_names[letters[2]] 
        result<- c(result,res)
    }
    names(result)<-LETTERS[result]
    result #return the indices of the letters
}

你可以这样调用它：

letters <- list(c("B","D"),"F",c("G","I"))
letters
[[1]]
[1] "B" "D" # B:D sequence
[[2]]
[1] "F" # only one letter
[[3]]
[1] "G" "I" # G:I sequence

indices<-remove(letters,x)
indices # named vector
B C D F G H I 
2 3 4 6 7 8 9

x[ -indices ] # it is faster than [! x %in% indices] but if you want your method  then use [! x %in% names(indices)]
[1] "A" "E" "J"

一般来说，使用整数比字符索引更好更快。