seleccionar - Cuadro de datos del subconjunto basado en el número de filas por grupo

filtrar datos en r

Question

Tengo datos como este, donde algunos "nombres" ocurren más de 3 veces:

df <- data.frame(name = c("a", "a", "a", "b", "b", "c", "c", "c", "c"), x = 1:9)

Deseo subconjuntar (filtrar) los datos según el número de filas (observaciones) dentro de cada nivel de la variable "nombre". Si un cierto nivel de "nombre" ocurre más de 3 veces, quiero eliminar todas las filas que pertenecen a ese nivel.

Escribí este código, pero no puedo hacerlo funcionar.

as.data.frame(table(unique(df)$name))
subset(df, name > 3)

Answer 1

Primero, dos alternativas de base . Uno se basa en la table , y el otro en ave y length . Entonces, dos maneras data.table .

1. table

tt <- table(df$name)

df2 <- subset(df, name %in% names(tt[tt < 3]))
# or
df2 <- df[df$name %in% names(tt[tt < 3]), ]

Si quieres recorrerlo paso a paso:

# count each ''name'', assign result to an object ''tt''
tt <- table(df$name)

# which ''name'' in ''tt'' occur more than three times?
# Result is a logical vector that can be used to subset the table ''tt''
tt < 3

# from the table, select ''name'' that occur < 3 times
tt[tt < 3]

# ...their names
names(tt[tt < 3])

# rows of ''name'' in the data frame that matches "the < 3 names"
# the result is a logical vector that can be used to subset the data frame ''df''
df$name %in% names(tt[tt < 3])

# subset data frame by a logical vector
# ''TRUE'' rows are kept, ''FALSE'' rows are removed.
# assign the result to a data frame with a new name
df2 <- subset(df, name %in% names(tt[tt < 3]))
# or
df2 <- df[df$name %in% names(tt[tt < 3]), ]

2. ave y length

Según lo sugerido por @flodel:

df[ave(df$x, df$name, FUN = length) < 3, ]

3. data.table : .N y .SD :

library(data.table)
setDT(df)[, if (.N < 3) .SD, by = name]

4. data.table : .N y .I :

setDT(df)
df[df[, .I[.N < 3], name]$V1] 

Al evitar llamar a [.data.table para cada grupo, esta alternativa sería más rápida. Ver, por ejemplo, aquí: Subconjunto por grupo con data.table .

Consulte también el número de observaciones / filas del recuento de preguntas y respuestas relacionado por grupo y agregue el resultado al marco de datos .

Answer 2

Usando el paquete dplyr :

df %>%
  group_by(name) %>%
  filter(n() < 4)