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