Question

我有一个格式为“long”的data.frame df。

df <- data.frame(site = rep(c("A","B","C"), 1, 7),
                 time = c(11,11,11,22,22,22,33),
                 value = ceiling(rnorm(7)*10))
df <- df[order(df$site), ]

df
  site time value
1    A   11    12
2    A   22   -24
3    A   33   -30
4    B   11     3
5    B   22    16
6    C   11     3
7    C   22     9

问题

如何为df$time的每个级别删除df$site的唯一元素不存在的行？

在这种情况下，我想删除df[3,]，因为对于df$time，时间戳33仅适用于网站A，而不适用于网站B和网站C.

期望的输出：

df.trimmed
  site time value
1    A   11    12
2    A   22   -24
4    B   11     3
5    B   22    16
6    C   11     3
7    C   22     9

data.frame容易有800k行和200k个唯一时间戳。我不想使用循环，但我不知道如何使用像apply()或lapply()这样的矢量化函数。

Answer 1

这是使用data.table包的另一种可能的解决方案：

unTime <- unique(df$time)

library(data.table)

DT <- data.table(df, key = "site")

(notInAll <- unique(DT[, list(ans = which(!unTime %in% time)), by = key(DT)]$ans))
# [1] 3

DT[time %in% unTime[-notInAll]]

#      site time value
# [1,]    A   11     3
# [2,]    A   22    11
# [3,]    B   11    -6
# [4,]    B   22    -2
# [5,]    C   11   -19
# [6,]    C   22   -14

来自Matthew的编辑
尼斯。或者更直接的方式：

DT = as.data.table(df)
tt = DT[,length(unique(site)),by=time]
tt
   time V1
1:   11  3
2:   22  3
3:   33  1

tt = tt[V1==max(V1)]      # See * below
tt
   time V1
1:   11  3
2:   22  3

DT[time %in% tt$time]
   site time value
1:    A   11     7
2:    A   22    -2
3:    B   11     8
4:    B   22   -10
5:    C   11     3
6:    C   22     1

如果所有网站都没有时间，最终结果应为空（正如Ben在评论中指出的那样），上面标有*的步骤可能是：

tt = tt[V1==length(unique(DT$site))]

Answer 2

rle会为你效力吗？

df <- df[order(df$time), ]
df <- subset(df, time != rle(df$time)$value[rle(df$time)$lengths == 1])
df <- df[order(df$site), ]
df
##   site time value
## 1    A   11    17
## 4    A   22    -3
## 2    B   11     8
## 5    B   22     5
## 3    C   11     0
## 6    C   22    13

重新审视您的数据，似乎这个解决方案可能过于简单，无法满足您的需求....

更新

这是一种应该比我上面提到的rle解决方案更好的方法。而不是查找＆＃34; 1＆＃34;的游程长度，将删除与table(df$site, df$time)的结果的某些条件不匹配的行。为了说明，我还添加了一些假数据。

df <- data.frame(site = rep(c("A","B","C"), 1, 7),
                 time = c(11,11,11,22,22,22,33),
                 value = ceiling(rnorm(7)*10))
df2 <- data.frame(site = rep(c("A","B","C"), 1, 7),
                 time = c(14,14,15,15,16,16,16),
                 value = ceiling(rnorm(7)*10))
df <- rbind(df, df2)
df <- df[order(df$site), ]

temp <- as.numeric(names(which(colSums(with(df, table(site, time)))
                               >= length(levels(df$site)))))
df2 <- merge(df, data.frame(temp), by.x = "time", by.y = "temp")
df2 <- df2[order(df2$site), ]
df2
##   time site value
## 3   11    A    -2
## 4   16    A    -2
## 7   22    A     2
## 1   11    B   -16
## 5   16    B     3
## 8   22    B    -6
## 2   11    C     8
## 6   16    C    11
## 9   22    C   -10

这是制表和总结网站/时间组合的结果：

colSums(with(df, table(site, time)))
## 11 14 15 16 22 33 
##  3  2  2  3  3  1

因此，如果我们想要包含至少有两个网站有时间戳的网站，我们可以将行>= length(levels(df$site))（在此示例中为3）更改为>= length(levels(df$site))-1（显然，2）。

不确定这个解决方案是否对您有用，但我想我会分享它以显示我们与R的解决方案的灵活性。

根据因子级别删除行

问题

2 个答案:

更新