una - ¿Cómo puedo subconjuntar filas en un marco de datos en R basado en un vector de valores?

filtrar datos en r (4)

Tengo dos conjuntos de datos que se supone que son del mismo tamaño pero no lo son. Necesito recortar los valores de A que no están en B y viceversa para eliminar el ruido de un gráfico que va a un informe. (¡No se preocupe, estos datos no se eliminan permanentemente!)

He leído lo siguiente:

Pero todavía no puedo hacer que esto funcione bien. Aquí está mi código:

bg2011missingFromBeg <- setdiff(x=eg2011$ID, y=bg2011$ID) #attempt 1 eg2011cleaned <- subset(eg2011, ID != bg2011missingFromBeg) #attempt 2 eg2011cleaned <- eg2011[!eg2011$ID %in% bg2011missingFromBeg]

El primer intento simplemente elimina el primer valor en el vector setdiff resultante. El segundo intento produce un error difícil de manejar:

Error in `[.data.frame`(eg2012, !eg2012$ID %in% bg2012missingFromBeg) : undefined columns selected

Ejemplo comprensible realmente humano (ya que esta es la primera vez que uso% en%), cómo comparar dos marcos de datos y mantener solo las filas que contienen los valores iguales en una columna específica:

# Set seed for reproducibility. set.seed(1) # Create two sample data frames. data_A <- data.frame(id=c(1,2,3), value=c(1,2,3)) data_B <- data.frame(id=c(1,2,3,4), value=c(5,6,7,8)) # compare data frames by specific columns and keep only # the rows with equal values data_A[data_A$id %in% data_B$id,] # will keep data in data_A data_B[data_B$id %in% data_A$id,] # will keep data in data_b

Resultados:

> data_A[data_A$id %in% data_B$id,] id value 1 1 1 2 2 2 3 3 3 > data_B[data_B$id %in% data_A$id,] id value 1 1 5 2 2 6 3 3 7

Esto le dará lo que quiere:

eg2011cleaned <- eg2011[!eg2011$ID %in% bg2011missingFromBeg, ]

El error en tu segundo intento es porque olvidaste el ,

En general, por conveniencia, el object[index] especificación object[index] subconjuntos de columnas para un object 2d. Si desea subconjuntar filas y conservar todas las columnas, debe usar el object[index_rows, index_columns] especificación object[index_rows, index_columns] , mientras que index_cols se puede dejar en blanco, lo que utilizará todas las columnas de forma predeterminada.

Sin embargo, aún necesita incluir el , para indicar que desea obtener un subconjunto de filas en lugar de un subconjunto de columnas.

Según los comentarios a la publicación original, las fusiones / uniones son adecuadas para este problema. En particular, una unión interna devolverá solo los valores que están presentes en ambos marcos de datos, haciendo innecesaria la declaración de setdiff .

Usando los datos del ejemplo de Dinre:

En la base R:

cleanedA <- merge(data_A, data_B[, "index"], by = 1, sort = FALSE) cleanedB <- merge(data_B, data_A[, "index"], by = 1, sort = FALSE)

Usando el paquete dplyr:

library(dplyr) cleanedA <- inner_join(data_A, data_B %>% select(index)) cleanedB <- inner_join(data_B, data_A %>% select(index))

Para mantener los datos como dos tablas separadas, cada una de las cuales contiene solo sus propias variables, este subconjunto la tabla no deseada a solo su variable de índice antes de unirse. Entonces no se agregan nuevas variables a la tabla resultante.

Si realmente solo desea subconjuntar cada cuadro de datos por un índice que exista en ambos cuadros de datos, puede hacerlo con la función ''combinar'', así:

data_A[match(data_B$index, data_A$index, nomatch=0),] data_B[match(data_A$index, data_B$index, nomatch=0),]

Esto es, sin embargo, lo mismo que:

data_A[data_A$index %in% data_B$index,] data_B[data_B$index %in% data_A$index,]

Aquí hay una demostración:

# Set seed for reproducibility. set.seed(1) # Create two sample data sets. data_A <- data.frame(index=sample(1:200, 90, rep=FALSE), value=runif(90)) data_B <- data.frame(index=sample(1:200, 120, rep=FALSE), value=runif(120)) # Subset data of each data frame by the index in the other. t_A <- data_A[match(data_B$index, data_A$index, nomatch=0),] t_B <- data_B[match(data_A$index, data_B$index, nomatch=0),] # Make sure they match. data.frame(t_A[order(t_A$index),], t_B[order(t_B$index),])[1:20,] # index value index.1 value.1 # 27 3 0.7155661 3 0.65887761 # 10 12 0.6049333 12 0.14362694 # 88 14 0.7410786 14 0.42021589 # 56 15 0.4525708 15 0.78101754 # 38 18 0.2075451 18 0.70277874 # 24 23 0.4314737 23 0.78218212 # 34 32 0.1734423 32 0.85508236 # 22 38 0.7317925 38 0.56426384 # 84 39 0.3913593 39 0.09485786 # 5 40 0.7789147 40 0.31248966 # 74 43 0.7799849 43 0.10910096 # 71 45 0.2847905 45 0.26787813 # 57 46 0.1751268 46 0.17719454 # 25 48 0.1482116 48 0.99607737 # 81 53 0.6304141 53 0.26721208 # 60 58 0.8645449 58 0.96920881 # 30 59 0.6401010 59 0.67371223 # 75 61 0.8806190 61 0.69882454 # 63 64 0.3287773 64 0.36918946 # 19 70 0.9240745 70 0.11350771