filtrar - matrices en r

Datos de subconjuntos basados en coincidencia parcial de nombres de columna

Question

Necesito subordinar un df para incluir ciertas cadenas. Algunos de estos son nombres completos de columnas, y lo siguiente funciona bien:

testData[,c("FullColName1","FullColName2","FullColName3")]

Mi problema es que necesito expandir esto para incluir también los nombres de columna que contienen cadenas específicas que pueden coincidir parcialmente con otros nombres de columna. Estas cadenas incluyen letras y símbolos:

"PartString1()","PartString2()"

Intenté poner comodines alrededor de estos. (He indicado esto más abajo con el prefijo "estrella" porque el símbolo "*" no se representó correctamente).

testData[ ,c("FullColName1","FullColName2","FullColName3",
"starPartString1()star","starPartString2()star")]

Pero me aparece un mensaje de error: se seleccionaron columnas no definidas. No puedo averiguar si o cómo necesito grep para hacer que esto funcione.

Answer 1

Puede usar grep para encontrar índices de nombres de columna con coincidencia parcial a un patrón particular

require(PerformanceAnalytics)
data(managers)
colnames(managers)
#[1] "HAM1" "HAM2" "HAM3" "HAM4" "HAM5"
#[6] "HAM6" "EDHEC LS EQ" "SP500 TR" "US 10Y TR" "US 3m TR"

Supongamos que el patrón que desea hacer coincidir es " HAM ", junto con algunos nombres de columna fijos ("SP500 TR" "US 10Y TR" "US 3m TR")

head(managers[,c("SP500 TR","US 10Y TR","US 3m TR",colnames(managers)[grep("HAM",colnames(managers))])])
# SP500 TR US 10Y TR US 3m TR HAM1 HAM2 HAM3 HAM4 HAM5 HAM6
#1996-01-31 0.0340 0.00380 0.00456 0.0074 NA 0.0349 0.0222 NA NA
#1996-02-29 0.0093 -0.03532 0.00398 0.0193 NA 0.0351 0.0195 NA NA
#1996-03-31 0.0096 -0.01057 0.00371 0.0155 NA 0.0258 -0.0098 NA NA
#1996-04-30 0.0147 -0.01739 0.00428 -0.0091 NA 0.0449 0.0236 NA NA
#1996-05-31 0.0258 -0.00543 0.00443 0.0076 NA 0.0353 0.0028 NA NA
#1996-06-30 0.0038 0.01507 0.00412 -0.0039 NA -0.0303 -0.0019 NA NA

puede especificar varios patrones utilizando, grep("pattern1 | pattern2 ", colnames(data))

Answer 2

Puede utilizar grepl para una búsqueda por nombre de columna. Devuelve un vector lógico que indica coincidencias.

Aquí hay un ejemplo:

d <- read.table(header=TRUE, check.names=FALSE,
text="1PartString()2 1PartString()3 OtherCol
1 2 3
3 4 5")
d
## 1PartString()2 1PartString()3 OtherCol
## 1 1 2 3
## 2 3 4 5
d[,grepl("PartString//(//)", names(d))]
## 1PartString()2 1PartString()3
## 1 1 2
## 2 3 4

grepl comprueba si el patrón está presente en cualquier parte del nombre, por lo que no se requiere un comodín.

Answer 3

Usted mencionó que puede estar buscando símbolos, por lo que para este ejemplo en particular podemos usar [[:punct:]] como nuestra expresión regular. Esto encontrará todas las cadenas con símbolos de puntuación en los nombres de columna.

d <- data.frame(1:3, 3:1, 11:13, 13:11, rep(1, 3))
names(d) <- c("FullColName1", "FullColName2", "FullColName3",
"PartString1()","PartString2()")
d[grepl("[[:punct:]]", names(d))]
# PartString1() PartString2()
# 1 13 1
# 2 12 1
# 3 11 1

Esta última parte ilustra otra forma de hacer esto con otras funciones de procesamiento de stringr de stringr

library(stringr)
d[str_detect(names(d), "[[:punct:]]")]
# PartString1() PartString2()
# 1 13 1
# 2 12 1
# 3 11 1

AGREGAR por comentario OPs

d[grepl("ring[12()]", names(d))]

para obtener cualquiera de las subcadenas ring1() o ring2() del vector de nombres