使用dplyr通过多行和多列匹配设置数据帧
我寻找这个问题的答案已经有一段时间了，但还没有找到这个确切的测试用例。如果这个问题在别的地方解决了，请接受我的道歉。
我有一个大型的数据data的生物观测(大约250万行，~50栏)，从政府的调查计划。重要的列是reg (区域)、species和year (调查)。
我想对数据进行分类，只包含在每个地区每年至少发现一次的物种。(我还需要对每年被发现至少10次的物种这样做，但我认为解决方案是一样的。)
换句话说，我只需要过滤出species每年都存在的行，而region也存在--本质上，每个species的unique(year)与每个reg的unique(year)匹配的所有行。(只有9个区域，所以我当然可以将数据划分为9个数据，并重复9次过滤，但我希望有一个更优雅的解决方案，只使用dplyr，我可以直接应用于data。)
谢谢!
编辑:我按照@aichao的建议创建了一个模拟数据集。
> year = c(1999,2000,2000,2004,2004,2008)
> reg = c('ai','ci','ci','ai','ai','ci')
> species = c('blueei','greenei','yellowei','blueei','greenei','yellowei')
> df <- data.frame(year, reg, species)
> df
year reg species
1 1999 ai blueei
2 2000 ci greenei
3 2000 ci yellowei
4 2004 ai blueei
5 2004 ai greenei
6 2008 ci yellowei因此，在这个df中，我只想保留每次对该地区进行调查时发现的物种(让我们假设这是完整的数据)。在ai，我想保留blueei --这在每一年的调查中都有发现--但不想保留greenei。同样，在ci，我希望保留yellowei，但不想保留greenei，因为greenei在2008年没有出现。
回答 2
Stack Overflow用户
发布于 2016-09-23 20:31:37
您可以在原始数据框架中创建一个表示区域+物种对的id变量。
year = c(1999,2000,2000,2004,2004,2008)
reg = c('ai','ci','ci','ai','ai','ci')
species = c('blueei','greenei','yellowei','blueei','greenei','yellowei')
df <- data.frame(year, reg, species) %>%
mutate(ids = paste(reg, species, sep='-'))然后创建一个新的数据框架，为每个region确定years的总数、每个species存在多少个years以及在所有年份中都存在哪些物种。
df2 <- df %>%
group_by(reg) %>%
mutate(n_yrs = length(unique(year))) %>%
group_by(reg, ids) %>%
summarize(present_yrs = length(unique(year)),
all_yrs = mean(n_yrs, na.rm = T)) %>%
filter(present_yrs == all_yrs)最后，筛选旧的数据集，使其只包括df2中的df2。
filter(df, ids %in% df2$ids)Stack Overflow用户
发布于 2016-09-22 22:32:57
只保留每一次在该地区调查时发现的物种
我们可以使用dplyr执行以下操作
library(dplyr)
result <- df %>% group_by(reg) %>% mutate(num.years.in.reg = length(unique(year))) %>%
group_by(reg,species) %>% filter(length(unique(year)) == first(num.years.in.reg)) %>%
select(-num.years.in.reg) %>% arrange(reg)备注：
- 首先，
group_byreg并创建一个列num.years.in.reg，其中包含对该区域进行调查的unique年数。 - 然后，
group_byreg和species，并且只保留在该区域中对species进行调查的unique年数等于该区域所调查的unique年数的species。在这里，first只是从num.years.in.reg中检索第一个值，因为它们对于组中的所有行都是相同的。 - 删除
num.years.in.reg列并按reg对result进行排序。 - 注意，在过滤逻辑中，我们不需要比较唯一的年份值，只需要比较唯一年份的数量，因为第二个分组是第一个分组的子集。也就是说，独特的年份将是相同的，但在第二组中可能比第一组少。
根据您发布的数据，result是：
print(result)
##Source: local data frame [4 x 3]
##Groups: reg, species [2]
##
## year reg species
## <dbl> <chr> <chr>
##1 1999 ai blueei
##2 2004 ai blueei
##3 2000 ci yellowei
##4 2008 ci yelloweihttps://stackoverflow.com/questions/39649533
复制相似问题
腾讯云开发者
