Question

我必须用错误的搜索词来思考，因为我无法相信我的问题是独一无二的，但我只发现了一个类似的问题。

我从世界银行获得了一些相当笨重的数据，这是一个代表数据库的平面文件。数据是每行一个项目，但每个项目都有多个特征，这些特征在列中名称如“SECTOR.1”，在其他列中具有自己的特征，名称如“SECTOR.1.PCT”等。

由此，我试图提取与特定种类的SECTOR相关的数据，但我仍然需要获得所有其他项目信息。

我已经能够朝着正确的方向迈出一些步骤，从我在SO上找到的另一个问题：Find the index of the column in data frame that contains the string as value

基于上述问题说明的最小可重复示例如下：

> df <- data.frame(col1 = c(letters[1:4],"c"), 
...                  col2 = 1:5, 
...                  col3 = c("a","c","l","c","l"), 
...                  col4= letters[3:7])
> df
  col1 col2 col3 col4
1    a    1    a    c
2    b    2    c    d
3    c    3    l    e
4    d    4    c    f
5    c    5    l    g

我想要的输出类似于：

1 col4
2 col3
3 col1
4 col3
5 col1

我知道我可以做一个ifelse，但它似乎不是一个非常优雅的方法。当然，因为这是我将做一次的事情（对于这个项目），拼写错误的风险很小。例如，

> df$hasc <- ifelse(grepl("c",df$col1), "col1",
...                         ifelse(grepl("c",df$col2), "col2",
...                                ifelse(grepl("c",df$col3), "col3",
...                                       ifelse(grepl("c",df$col4), "col4",
...                                              NA))))
> df
  col1 col2 col3 col4 hasc
1    a    1    a    c col4
2    b    2    c    d col3
3    c    3    l    e col1
4    d    4    c    f col3
5    c    5    l    g col1

我认为如果我有一种可以逐行查看的应用函数会更好。上一个问题中的方法不适用于此问题，因为我需要知道哪个列具有“c”。除了列出带有“c”的列名之外，我得到了一些没有意义的东西。我不理解1,3,4，因为这与rownames或计数不对应：

>which(apply(df, 2, function(x) any(grepl("c", x))))
col1 col3 col4 
1    3    4

而且，如果我尝试按行执行，我会看到每行都有一个“c”，正如预期的那样。

 >which(apply(df, 1, function(x) any(grepl("c", x))))
[1] 1 2 3 4 5

另外 - ＆gt;我想知道是否有办法处理这个问题，如果一行中有多个列中有“c”就不会破坏，例如，如果我们有：

> df <- data.frame(col1 = c(letters[1:4],"c"), 
...                  col2 = 1:5, 
...                  col3 = c("a","c","l","c","c"), 
...                  col4= letters[3:7])
> df
  col1 col2 col3 col4
1    a    1    a    c
2    b    2    c    d
3    c    3    l    e
4    d    4    c    f
5    c    5    c    g

然后我的ifelse方法失败，因为它只为row5提供'col1'。

Answer 1

假设数据集'df'的每一行都有一个'c'，我们可以使用max.col来获取行元素为'c'的列索引，并使用它来获取匹配列名。

df$hasc <- colnames(df)[max.col(df=='c')]
df
#  col1 col2 col3 col4 hasc
#1    a    1    a    c col4
#2    b    2    c    d col3
#3    c    3    l    e col1
#4    d    4    c    f col3
#5    c    5    l    g col1

如果每行有多个'c'，则一个选项是遍历行并paste将多个列名称放在一起

df$hasc <- apply(df=='c', 1, FUN= function(x) toString(names(x)[x]))

Answer 2

多个匹配案例的替代方案，可能比运行apply快一点：

tmp <- which(df=="c", arr.ind=TRUE)
cnt <- ave(tmp[,"row"], tmp[,"row"], FUN=seq_along)
maxnames <- paste0("max",sequence(max(cnt)))
df[maxnames] <- NA
df[maxnames][cbind(tmp[,"row"],cnt)] <- names(df)[tmp[,"col"]]

#  col1 col2 col3 col4 max1 max2
#1    a    1    a    c col4 <NA>
#2    b    2    c    d col3 <NA>
#3    c    3    l    e col1 <NA>
#4    d    4    c    f col3 <NA>
#5    c    5    c    g col1 col3

在R中，找到每行包含字符串的列

2 个答案: