Come posso impostare sottoinsieme le righe in un frame di dati in R in base a un vettore di valori?

Question

Ho due set di dati che dovrebbero avere la stessa dimensione ma non lo sono. Ho bisogno di tagliare i valori da A che non sono in B e viceversa per eliminare il rumore da un grafico che sta entrando in un rapporto. (Non ti preoccupare, questo dato non viene eliminato in modo permanente!)

Ho letto quanto segue:

• Selecting columns in R data frame based on those *not* in a vector
• http://www.ats.ucla.edu/stat/r/faq/subset_R.htm
• How to combine multiple conditions to subset a data-frame using "OR"?

Ma io' Non riesco ancora a far funzionare correttamente questo Ecco il mio codice:

bg2011missingFromBeg <- setdiff(x=eg2011$ID, y=bg2011$ID) 
#attempt 1 
eg2011cleaned <- subset(eg2011, ID != bg2011missingFromBeg) 
#attempt 2 
eg2011cleaned <- eg2011[!eg2011$ID %in% bg2011missingFromBeg] 

Il primo tentativo elimina solo il primo valore nel vettore setdiff risultante. Il secondo rendimenti cercare di errore ingombrante:

Error in `[.data.frame`(eg2012, !eg2012$ID %in% bg2012missingFromBeg) 
: undefined columns selected 

Answer 1

Questo vi darà ciò che si vuole:

eg2011cleaned <- eg2011[!eg2011$ID %in% bg2011missingFromBeg, ] 

L'errore nel secondo tentativo è perché si è dimenticato il ,

In generale, per convenienza, la specifica object[index] sostituisce le colonne per un 2d object. Se si desidera impostare sottoinsiemi e mantenere tutte le colonne, è necessario utilizzare la specifica object[index_rows, index_columns], mentre index_cols può essere lasciato vuoto, che utilizzerà tutte le colonne per impostazione predefinita.

Tuttavia, è comunque necessario includere , per indicare che si desidera ottenere un sottoinsieme di righe anziché un sottoinsieme di colonne.

Answer 2

Se davvero si vuole solo sottoinsieme ogni frame di dati da un indice che esiste in entrambi i frame di dati, si può fare questo con la funzione di 'match', in questo modo:

data_A[match(data_B$index, data_A$index, nomatch=0),] 
data_B[match(data_A$index, data_B$index, nomatch=0),] 

Si tratta, però, lo stesso:

data_A[data_A$index %in% data_B$index,] 
data_B[data_B$index %in% data_A$index,] 

Ecco una demo:

# Set seed for reproducibility. 
set.seed(1) 

# Create two sample data sets. 
data_A <- data.frame(index=sample(1:200, 90, rep=FALSE), value=runif(90)) 
data_B <- data.frame(index=sample(1:200, 120, rep=FALSE), value=runif(120)) 

# Subset data of each data frame by the index in the other. 
t_A <- data_A[match(data_B$index, data_A$index, nomatch=0),] 
t_B <- data_B[match(data_A$index, data_B$index, nomatch=0),] 

# Make sure they match. 
data.frame(t_A[order(t_A$index),], t_B[order(t_B$index),])[1:20,] 

# index  value index.1 value.1 
# 27  3 0.7155661  3 0.65887761 
# 10 12 0.6049333  12 0.14362694 
# 88 14 0.7410786  14 0.42021589 
# 56 15 0.4525708  15 0.78101754 
# 38 18 0.2075451  18 0.70277874 
# 24 23 0.4314737  23 0.78218212 
# 34 32 0.1734423  32 0.85508236 
# 22 38 0.7317925  38 0.56426384 
# 84 39 0.3913593  39 0.09485786 
# 5  40 0.7789147  40 0.31248966 
# 74 43 0.7799849  43 0.10910096 
# 71 45 0.2847905  45 0.26787813 
# 57 46 0.1751268  46 0.17719454 
# 25 48 0.1482116  48 0.99607737 
# 81 53 0.6304141  53 0.26721208 
# 60 58 0.8645449  58 0.96920881 
# 30 59 0.6401010  59 0.67371223 
# 75 61 0.8806190  61 0.69882454 
# 63 64 0.3287773  64 0.36918946 
# 19 70 0.9240745  70 0.11350771 

Answer 3

per i commenti al post originale, m erges/joins sono adatti per questo problema. In particolare, un join interno restituirà solo i valori presenti in entrambi i dataframes, rendendo superflua l'istruzione setdiff.

Utilizzando i dati dall'esempio di Dinre:

In Base R:

cleanedA <- merge(data_A, data_B[, "index"], by = 1, sort = FALSE) 
cleanedB <- merge(data_B, data_A[, "index"], by = 1, sort = FALSE) 

Usando il pacchetto dplyr:

library(dplyr) 
cleanedA <- inner_join(data_A, data_B %>% select(index)) 
cleanedB <- inner_join(data_B, data_A %>% select(index)) 

Per mantenere i dati come due tabelle separate , ognuno contenente solo le proprie variabili, questo sottopone la tabella indesiderata solo alla sua indice variabile prima di unirsi. Quindi nessuna nuova variabile viene aggiunta alla tabella risultante.

Answer 4

davvero umano comprensibile esempio (come questa è la prima volta sto utilizzando% in%), come confrontare due frame di dati e mantenere solo righe contenenti i valori uguali a specifica colonna:

# Set seed for reproducibility. 
set.seed(1) 

# Create two sample data frames. 
data_A <- data.frame(id=c(1,2,3), value=c(1,2,3)) 
data_B <- data.frame(id=c(1,2,3,4), value=c(5,6,7,8)) 

# compare data frames by specific columns and keep only 
# the rows with equal values 
data_A[data_A$id %in% data_B$id,] # will keep data in data_A 
data_B[data_B$id %in% data_A$id,] # will keep data in data_b 

Risultati:

> data_A[data_A$id %in% data_B$id,] 
    id value 
1 1  1 
2 2  2 
3 3  3 

> data_B[data_B$id %in% data_A$id,] 
    id value 
1 1  5 
2 2  6 
3 3  7