Manipulating Data - 比較數(shù)據(jù)框

比較數(shù)據(jù)框

問題

你想要比較兩個或多個數(shù)據(jù)框并找到在超過一個數(shù)據(jù)框中出現(xiàn)的行,或者僅在一個數(shù)據(jù)框中出現(xiàn)的行甲抖。

方案

一個例子

假設(shè)你有下面三個數(shù)據(jù)框,你想要知道那些至少在兩個數(shù)據(jù)框中出現(xiàn)的行心铃。

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

在dfA中准谚,包括(1,X)的行同樣出現(xiàn)在了dfB,但是包含(2,X)的行沒有出現(xiàn)在任何其他的數(shù)據(jù)框去扣。相似地柱衔,df包含的(1,X)出現(xiàn)在了dfA,(2,Y)出現(xiàn)在了dfC,但是(3,X)沒有出現(xiàn)在其他數(shù)據(jù)框秀存。

你可能想要標(biāo)記在其他數(shù)據(jù)框中出現(xiàn)了的行捶码,或者沒有數(shù)據(jù)框中都是唯一的行。

連接數(shù)據(jù)框

進(jìn)一步地或链,我們首先用一個可以識別每一行來自哪里的列來連接數(shù)據(jù)框惫恼。這里稱為Coder變量因為它可能是由三個不同的人編碼的數(shù)據(jù)。在這個例子中澳盐,你可能想要找到編碼者同意之處(至少出現(xiàn)在兩個數(shù)據(jù)框中的行)祈纯,或者它們不同意之處。

dfA$Coder <- "A"
dfB$Coder <- "B"
dfC$Coder <- "C"

df <- rbind(dfA, dfB, dfC)                    # 把它們粘在一起
df <- df[,c("Coder", "Subject", "Response")]  # 重新排序
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

如果你的數(shù)據(jù)一開始就是這種格式叼耙,那就不要將它們連接到一起啦腕窥。

尋找重復(fù)行

使用在文末定義的函數(shù)dupsBetweenGroups,我們可以找出在不同組別中重復(fù)的行筛婉。

# 找出在不同組別中重復(fù)的行
dupRows <- dupsBetweenGroups(df, "Coder")

# 在數(shù)據(jù)框的旁邊打印出來
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

注意這不會標(biāo)記在同一組中的重復(fù)行簇爆,比如Coder=A時,有兩行Subject=2以及Response=X爽撒,但沒有標(biāo)記出來入蛆。

尋找唯一行

同樣可以找出在每一組中唯一出現(xiàn)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

拆分?jǐn)?shù)據(jù)框

如果你想要把連接的數(shù)據(jù)框拆分為三個原始的數(shù)據(jù)框

# 保存df的結(jié)果
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

有可能需要通過移除數(shù)據(jù)框的列來忽略一個或者多個列硕勿,結(jié)果又可以把原始完整的數(shù)據(jù)框連接起來哨毁。

# 忽略Subject列——僅使用Response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

# 檢查重復(fù)行
dupRows <- dupsBetweenGroups(dfNoSub, "Coder")

# 把結(jié)果連接起來
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

dupsBetweenGroups 函數(shù)

該函數(shù)用來尋找不同組別的重復(fù)行:

dupsBetweenGroups <- function (df, idcol) {
    # df: the data frame
    # idcol: the column which identifies the group each row belongs to

    # Get the data columns to use for finding matches
    datacols <- setdiff(names(df), idcol)

    # Sort by idcol, then datacols. Save order so we can undo the sorting later.
    sortorder <- do.call(order, df)
    df <- df[sortorder,]

    # Find duplicates within each id group (first copy not marked)
    dupWithin <- duplicated(df)

    # With duplicates within each group filtered out, find duplicates between groups. 
    # Need to scan up and down with duplicated() 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]

    # ============= Replace NA's with previous non-NA value ==============
    # This is why we sorted earlier - it was necessary to do this part efficiently

    # Get indexes of non-NA's
    goodIdx <- !is.na(dupBetween)

    # These are the non-NA values from x only
    # Add a leading NA for later use when we index into this vector
    goodVals <- c(NA, dupBetween[goodIdx])

    # Fill the indices of the output vector with the indices pulled from
    # these offsets of goodVals. Add 1 to avoid indexing to zero.
    fillIdx <- cumsum(goodIdx)+1

    # The original vector, now with gaps filled
    dupBetween <- goodVals[fillIdx]

    # Undo the original sort
    dupBetween[sortorder] <- dupBetween

    # Return the vector of which entries are duplicated across groups
    return(dupBetween)
}

注意

想要尋找單個數(shù)據(jù)框中的重復(fù)行,參看../Finding and removing duplicate records.

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末源武,一起剝皮案震驚了整個濱河市扼褪,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌粱栖,老刑警劉巖话浇,帶你破解...
    沈念sama閱讀 212,884評論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場離奇詭異闹究,居然都是意外死亡幔崖,警方通過查閱死者的電腦和手機,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,755評論 3 385
  • 文/潘曉璐 我一進(jìn)店門跋核,熙熙樓的掌柜王于貴愁眉苦臉地迎上來,“玉大人叛买,你說我怎么就攤上這事砂代。” “怎么了率挣?”我有些...
    開封第一講書人閱讀 158,369評論 0 348
  • 文/不壞的土叔 我叫張陵刻伊,是天一觀的道長。 經(jīng)常有香客問我,道長捶箱,這世上最難降的妖魔是什么智什? 我笑而不...
    開封第一講書人閱讀 56,799評論 1 285
  • 正文 為了忘掉前任,我火速辦了婚禮丁屎,結(jié)果婚禮上荠锭,老公的妹妹穿的比我還像新娘。我一直安慰自己晨川,他們只是感情好证九,可當(dāng)我...
    茶點故事閱讀 65,910評論 6 386
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著共虑,像睡著了一般愧怜。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上妈拌,一...
    開封第一講書人閱讀 50,096評論 1 291
  • 那天拥坛,我揣著相機與錄音,去河邊找鬼尘分。 笑死猜惋,一個胖子當(dāng)著我的面吹牛,可吹牛的內(nèi)容都是我干的音诫。 我是一名探鬼主播惨奕,決...
    沈念sama閱讀 39,159評論 3 411
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼竭钝!你這毒婦竟也來了梨撞?” 一聲冷哼從身側(cè)響起,我...
    開封第一講書人閱讀 37,917評論 0 268
  • 序言:老撾萬榮一對情侶失蹤香罐,失蹤者是張志新(化名)和其女友劉穎卧波,沒想到半個月后,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體庇茫,經(jīng)...
    沈念sama閱讀 44,360評論 1 303
  • 正文 獨居荒郊野嶺守林人離奇死亡港粱,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 36,673評論 2 327
  • 正文 我和宋清朗相戀三年,在試婚紗的時候發(fā)現(xiàn)自己被綠了旦签。 大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片查坪。...
    茶點故事閱讀 38,814評論 1 341
  • 序言:一個原本活蹦亂跳的男人離奇死亡,死狀恐怖宁炫,靈堂內(nèi)的尸體忽然破棺而出偿曙,到底是詐尸還是另有隱情,我是刑警寧澤羔巢,帶...
    沈念sama閱讀 34,509評論 4 334
  • 正文 年R本政府宣布望忆,位于F島的核電站罩阵,受9級特大地震影響,放射性物質(zhì)發(fā)生泄漏启摄。R本人自食惡果不足惜稿壁,卻給世界環(huán)境...
    茶點故事閱讀 40,156評論 3 317
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望歉备。 院中可真熱鬧傅是,春花似錦、人聲如沸威创。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,882評論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽肚豺。三九已至溃斋,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間吸申,已是汗流浹背梗劫。 一陣腳步聲響...
    開封第一講書人閱讀 32,123評論 1 267
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留截碴,地道東北人梳侨。 一個月前我還...
    沈念sama閱讀 46,641評論 2 362
  • 正文 我出身青樓,卻偏偏與公主長得像日丹,于是被迫代替她去往敵國和親走哺。 傳聞我的和親對象是個殘疾皇子,可洞房花燭夜當(dāng)晚...
    茶點故事閱讀 43,728評論 2 351

推薦閱讀更多精彩內(nèi)容