Question

我已经搜索了这个问题的答案了一段时间，并没有找到这个确切的测试用例。如果在其他地方解决了，请接受我的道歉。

我从政府调查计划中获得了大量data生物观察数据（约2,500,000行，约50列）。重要的列是reg（区域），species和year（调查的）。

我想将数据框的子集仅包含每个地区每年至少发现一次的物种。（我还需要为每年至少发现10次的物种做这个，但我认为解决方案是相同的。）

换句话说，我只需要过滤出species每年都存在region的行，unique(year)也存在 - 基本上，所有行species对于每个unique(year)的{{1}}个匹配项reg。（只有九个区域，因此我当然可以将数据子集化为九个数据帧并重复此过滤九次，但我希望有一个更优雅的解决方案，仅使用dplyr我可以直接应用于{ {1}}。）

谢谢！

编辑：我按照@aichao的建议创建了一个模拟数据集。

data

所以在这个df中，我想只保留每次调查区域时发现的物种（让我们假装这是完整的数据）。从> year = c(1999,2000,2000,2004,2004,2008) > reg = c('ai','ci','ci','ai','ai','ci') > species = c('blueei','greenei','yellowei','blueei','greenei','yellowei') > df <- data.frame(year, reg, species) > df year reg species 1 1999 ai blueei 2 2000 ci greenei 3 2000 ci yellowei 4 2004 ai blueei 5 2004 ai greenei 6 2008 ci yellowei开始，我想保留ai - 这是在每个调查年度中找到的 - 但不是blueei。同样，在greenei中，我希望保留ci但不保留yellowei，因为greenei在2008年没有出现。

Answer 1

仅保留每次调查该区域时发现的物种

我们可以使用dplyr执行以下操作：

library(dplyr)
result <- df %>% group_by(reg) %>% mutate(num.years.in.reg = length(unique(year))) %>% 
                 group_by(reg,species) %>% filter(length(unique(year)) == first(num.years.in.reg)) %>%
                 select(-num.years.in.reg) %>% arrange(reg)

注意：

首先，group_by reg并创建一个列num.years.in.reg，其中包含调查该地区的unique年数。
然后，group_by同时reg和species并仅保留species年unique年species年的unique该地区接受调查的人数等于该地区调查的first年数。在这里，num.years.in.reg只检索num.years.in.reg中的第一个值，因为它们对于组中的所有行都是相同的。
删除result列，然后按reg对result进行排序。
请注意，在过滤逻辑中，我们不需要比较唯一年份值，只需要比较唯一年份的数量，因为第二个分组是第一个分组的子集。也就是说，独特的年份将是相同的，但在第二组中可能比第一组更少。

根据您发布的数据，print(result) ##Source: local data frame [4 x 3] ##Groups: reg, species [2] ## ## year reg species ## <dbl> <chr> <chr> ##1 1999 ai blueei ##2 2004 ai blueei ##3 2000 ci yellowei ##4 2008 ci yellowei为：

set(OpenCV_DIR ${THIRD_PARTY_DIR}/OpenCV)
find_package(OpenCV REQUIRED)
...
add_executable(${PROJECT_NAME} ${HEADER_FILES} ${SOURCE_FILES})
target_link_libraries(${PROJECT_NAME} ${OpenCV_LIBS})

Answer 2

您可以在原始数据框中创建一个id变量，表示区域+种类对。

 year = c(1999,2000,2000,2004,2004,2008)
 reg = c('ai','ci','ci','ai','ai','ci')
 species = c('blueei','greenei','yellowei','blueei','greenei','yellowei')

df <- data.frame(year, reg, species) %>%
 mutate(ids = paste(reg, species, sep='-'))

然后创建一个新的数据框，为每个region标识year的总数，每个year存在多少species，以及物种在所有年份都存在。

 df2 <- df %>%
 group_by(reg) %>%
 mutate(n_yrs = length(unique(year))) %>%
 group_by(reg, ids) %>%
 summarize(present_yrs = length(unique(year)),
         all_yrs     = mean(n_yrs, na.rm = T)) %>%
 filter(present_yrs == all_yrs)

最后，过滤旧数据集，使其仅包含id中的df2

filter(df, ids %in% df2$ids)

使用dplyr通过多行和列匹配来设置数据帧

2 个答案: