《Cookbook for R》 Manipulating Data ~ Dataframe
Comparing data frames 比较数据框
当你想比较两个或多个数据框，并从中找到：
1、重复出现在多个数据框中的行
2、或仅出现在一个数据框中的行
先构建三个示例数据框
dfA <- data.frame(Subject=c(1,1,2,2), Response=c("X","X","X","X"))
dfA
#> Subject Response
#> 1 1 X
#> 2 1 X
#> 3 2 X
#> 4 2 X
dfB <- data.frame(Subject=c(1,2,3), Response=c("X","Y","X"))
dfB
#> Subject Response
#> 1 1 X
#> 2 2 Y
#> 3 3 X
dfC <- data.frame(Subject=c(1,2,3), Response=c("Z","Y","Z"))
dfC
#> Subject Response
#> 1 1 Z
#> 2 2 Y
#> 3 3 Z
要进行比较，首先将三个数据框与一列连接起来，该列标识每行来自哪个源数据框
dfA$Coder <- "A"
dfB$Coder <- "B"
dfC$Coder <- "C"
df <- rbind(dfA, dfB, dfC) # 将三个数据框合并
# rbind 合并的前提是列名相同，按列将行依次粘起来
df <- df[,c("Coder", "Subject", "Response")] # 重新排个序
df
#> Coder Subject Response
#> 1 A 1 X
#> 2 A 1 X
#> 3 A 2 X
#> 4 A 2 X
#> 5 B 1 X
#> 6 B 2 Y
#> 7 B 3 X
#> 8 C 1 Z
#> 9 C 2 Y
#> 10 C 3 Z
查找重复的行：使用函数 dupsBetweenGroups()
可以找到哪些行在不同的组之间重复
dupRows <- dupsBetweenGroups(df, "Coder")
# 将它单独列在数据框边上
cbind(df, dup=dupRows)
#> Coder Subject Response dup
#> 1 A 1 X TRUE
#> 2 A 1 X TRUE
#> 3 A 2 X FALSE
#> 4 A 2 X FALSE
#> 5 B 1 X TRUE
#> 6 B 2 Y TRUE
#> 7 B 3 X FALSE
#> 8 C 1 Z FALSE
#> 9 C 2 Y TRUE
#> 10 C 3 Z FALSE
## 是没有保存的
## 要保存就赋值
Note：这样操作是不会显示组内重复的
例如：Coder=A，则有两行Subject=1和Response=X，但它们未标记为重复
查找唯一的行
cbind(df, unique=!dupRows)
#> Coder Subject Response unique
#> 1 A 1 X FALSE
#> 2 A 1 X FALSE
#> 3 A 2 X TRUE
#> 4 A 2 X TRUE
#> 5 B 1 X FALSE
#> 6 B 2 Y FALSE
#> 7 B 3 X TRUE
#> 8 C 1 Z TRUE
#> 9 C 2 Y FALSE
#> 10 C 3 Z TRUE
subset()拆分数据框：将原始的数据框分出来
# 将结果保存在df中
dfDup <- cbind(df, dup=dupRows)
dfA <- subset(dfDup, Coder=="A", select=-Coder)
dfA
#> Subject Response dup
#> 1 1 X TRUE
#> 2 1 X TRUE
#> 3 2 X FALSE
#> 4 2 X FALSE
dfB <- subset(dfDup, Coder=="B", select=-Coder)
dfB
#> Subject Response dup
#> 5 1 X TRUE
#> 6 2 Y TRUE
#> 7 3 X FALSE
dfC <- subset(dfDup, Coder=="C", select=-Coder)
dfC
#> Subject Response dup
#> 8 1 Z FALSE
#> 9 2 Y TRUE
#> 10 3 Z FALSE
忽略列：可以忽略一个或多个列
方法是从传递给函数的数据框中删除该列
# 忽略 Subject 这一列
dfNoSub <- subset(df, select=-Subject)
dfNoSub
#> Coder Response
#> 1 A X
#> 2 A X
#> 3 A X
#> 4 A X
#> 5 B X
#> 6 B Y
#> 7 B X
#> 8 C Z
#> 9 C Y
#> 10 C Z
# 检查重复
dupRows <- dupsBetweenGroups(dfNoSub, "Coder")
# 将结果合并进先前的数据框
cbind(df, dup=dupRows)
#> Coder Subject Response dup
#> 1 A 1 X TRUE
#> 2 A 1 X TRUE
#> 3 A 2 X TRUE
#> 4 A 2 X TRUE
#> 5 B 1 X TRUE
#> 6 B 2 Y TRUE
#> 7 B 3 X TRUE
#> 8 C 1 Z FALSE
#> 9 C 2 Y TRUE
#> 10 C 3 Z FALSE
扩充：dupsBetweenGroups()函数是如何写出来的
# 函数定义如下
dupsBetweenGroups <- function (df, idcol) {
# df: 数据框
# idcol: 用于确定每行所属的列
# 获取用于查找匹配的列
datacols <- setdiff(names(df), idcol) # setdiff(x,y) 以x为标准，找出x、y的差集
# idcol进行分类, 再按datacols分类. 保存排序，方便后面取消排序
sortorder <- do.call(order, df)
df <- df[sortorder,]
# 先把重复的行找出来 (first copy is not marked)
dupWithin <- duplicated(df)
# 把每个组内的重复行去掉, 再在组间找重复行
# 需要用duplicated()从上到下再从下到上扫描 because first copy is not marked.
dupBetween = rep(NA, nrow(df))
dupBetween[!dupWithin] <- duplicated(df[!dupWithin,datacols])
dupBetween[!dupWithin] <- duplicated(df[!dupWithin,datacols], fromLast=TRUE) | dupBetween[!dupWithin]
# ============= 用先前非NA值来替换NA值 ==============
# 这就是为什么要提前分类 - 这使我们高效率地完成这部分工作
# 获得非NA值的索引
goodIdx <- !is.na(dupBetween)
# 仅来自x的非NA值
# 添加一个前导NA用于后续对该列向量进行索引
goodVals <- c(NA, dupBetween[goodIdx])
# 避免索引值为0
fillIdx <- cumsum(goodIdx)+1
# 原始向量, now with gaps filled
dupBetween <- goodVals[fillIdx]
# 撤销原来的排序
dupBetween[sortorder] <- dupBetween
# 返回各组中重复条目的向量
return(dupBetween)
}
小扩充
(x <- c(sort(sample(1:20, 9)), NA))
# x 1 3 4 5 6 10 12 17 20 NA
(y <- c(sort(sample(3:23, 7)), NA))
# y 3 6 7 9 10 11 18 NA
# 把x、y不重复的元素都放到一起
union(x, y)
# [1] 1 3 4 5 6 10 12 17 20 NA 7 9 11 18
# 把x、y取交集
intersect(x, y)
# [1] 3 6 10 NA
# 以x为标准，把x、y的差集找到
setdiff(x, y)
# 1 4 5 12 17 20
# 以y为标准，把y、x的差集找到
setdiff(y, x)
# [1] 7 9 11 18
# 检查两个对象是否相等
setequal(x, y)
# [1] FALSE
Re-computing the levels of all factor columns in a data frame 数据框：重新计算因子列的level
有时候，在读入数据并对其进行清理后，会因子列中存在一些不该存在的level
示例数据
这里 d 有一个空白行，当它被读入时，因子列具有’ ’ ，这不应该是数据的一部分
d <- read.csv(header = TRUE, text='
x,y,value
a,one,1
,,5
b,two,4
c,three,10
')
d
#> x y value
#> 1 a one 1
#> 2 5
#> 3 b two 4
#> 4 c three 10
str(d)
#> 'data.frame': 4 obs. of 3 variables:
#> $ x : Factor w/ 4 levels "","a","b","c": 2 1 3 4
#> $ y : Factor w/ 4 levels "","one","three",..: 2 1 4 3
#> $ value: int 1 5 4 10
即使删除了空行，因子仍然以空字符串 " " 作为一个等级
# 删去第二行
d <- d[-2,]
d
#> x y value
#> 1 a one 1
#> 3 b two 4
#> 4 c three 10
str(d)
#> 'data.frame': 3 obs. of 3 variables:
#> $ x : Factor w/ 4 levels "","a","b","c": 2 3 4
#> $ y : Factor w/ 4 levels "","one","three",..: 2 4 3
#> $ value: int 1 4 10
最简单的方法是使用 droplevels() 函数
d1 <- droplevels(d)
str(d1)
#> 'data.frame': 3 obs. of 3 variables:
#> $ x : Factor w/ 3 levels "a","b","c": 1 2 3
#> $ y : Factor w/ 3 levels "one","three",..: 1 3 2
#> $ value: int 1 4 10
要重新计算所有因子列的水平，使用 vapply() 和 is.factor() 来找出哪些列是因子
然后使用该信息和 lapply 循环将 factor() 函数应用于这些列。
# 找出哪些列是因子
factor_cols <- vapply(d, is.factor, logical(1))
# 应用 factor() 函数到这些列, 然后赋值返回结果d
d[factor_cols] <- lapply(d[factor_cols], factor)
str(d)
#> 'data.frame': 3 obs. of 3 variables:
#> $ x : Factor w/ 3 levels "a","b","c": 1 2 3
#> $ y : Factor w/ 3 levels "one","three",..: 1 3 2
#> $ value: int 1 4 10
