Question

我有一个data.frame A. 以及包含A

子集的data.frame B.

如何创建data.frame C，data.frame A，其中data.frame B被排除？谢谢你的帮助。

Answer 1

获取A中不在B

中的行

C = A[! data.frame(t(A)) %in% data.frame(t(B)), ]

Answer 2

如果此B数据集确实是第一个数据集的嵌套版本，则必须建立索引以创建此数据集。恕我直言，我们不应该讨论数据集之间的差异，而是否定创建B数据集的原始索引。这是我的意思的一个例子：

A <- mtcars
B <- mtcars[mtcars$cyl==6, ]
C <- mtcars[mtcars$cyl!=6, ]

Answer 3

A <- data.frame(x = 1:10, y = 1:10)
#Random subset of A in B
B <- A[sample(nrow(A),3),]
#get A that is not in B
C <- A[-as.integer(rownames(B)),]

对mplourde的答案进行性能测试：

library(rbenchmark)
f1 <- function() A[- as.integer(rownames(B)),]
f2 <- function() A[! data.frame(t(A)) %in% data.frame(t(B)), ]
benchmark(f1(), f2(), replications = 10000, 
          columns = c("test", "elapsed", "relative"),
          order = "elapsed"
          )

  test elapsed relative
1 f1()   1.531   1.0000
2 f2()   8.846   5.7779

查看rownames大约快6倍。两次转置调用可能会在计算上变得昂贵。

Answer 4

如果B确实是A的子集，您可以查看：

if(!identical(A[rownames(B), , drop = FALSE], B)) stop("B is not a subset of A!")

然后你可以按rownames过滤：

C <- A[!rownames(A) %in% rownames(B), , drop = FALSE]

或

C <- A[setdiff(rownames(A), rownames(B)), , drop = FALSE]

Answer 5

以下是两个data.table解决方案，这些解决方案将具有内存和时间效率

render_markdown(strict = T)
library(data.table)
# some biggish data
set.seed(1234)
ADT <- data.table(x = seq.int(1e+07), y = seq.int(1e+07))

.rows <- sample(nrow(ADT), 30000)
# Random subset of A in B
BDT <- ADT[.rows, ]

# set keys for fast merge
setkey(ADT, x)
setkey(BDT, x)
## how CDT <- ADT[-ADT[BDT,which=T]] the data as `data.frames for fastest
## alternative
A <- copy(ADT)
setattr(A, "class", "data.frame")
B <- copy(BDT)
setattr(B, "class", "data.frame")
f2 <- function() noBDT <- ADT[-ADT[BDT, which = T]]
f3 <- function() noBDT2 <- ADT[-BDT[, x]]
f1 <- function() noB <- A[-as.integer(rownames(B)), ]

library(rbenchmark)
benchmark(base = f1(),DT = f2(), DT2 = f3(), replications = 3)

##   test replications elapsed relative user.self sys.self 
## 2   DT            3    0.92    1.108      0.77     0.15       
## 1  base           3    3.72    4.482      3.19     0.52        
## 3  DT2            3    0.83    1.000      0.72     0.11

Answer 6

这不是最快的，而且可能非常慢，但它是mplourde的替代方案，它考虑了行数据，并且应该处理批评的混合数据。它依赖于qdap包中的paste2函数，该函数尚不存在，因为我计划在enxt月或2中发布它：

粘贴2功能：

paste2 <- function(multi.columns, sep=".", handle.na=TRUE, trim=TRUE){

    if (trim) multi.columns <- lapply(multi.columns, function(x) {
            gsub("^\\s+|\\s+$", "", x)
        }
    )

    if (!is.data.frame(multi.columns) & is.list(multi.columns)) {
        multi.columns <- do.call('cbind', multi.columns)
      }

    m <- if(handle.na){
                 apply(multi.columns, 1, function(x){if(any(is.na(x))){
                       NA
                 } else {
                       paste(x, collapse = sep)
                 }
             }
         )   
         } else {
          apply(multi.columns, 1, paste, collapse = sep)
    }
    names(m) <- NULL
    return(m)
}

＃Flodel的混合数据集

A <- data.frame(x = 1:4, y = as.character(1:4)); B <- A[1:2, ]

＃我的方法：

A[!paste2(A)%in%paste2(B), ]

R滤出一个子集

6 个答案: