当“%in%”和“which”不起作用时，基于字符向量子集数据帧行答案

【问题标题】：Subset dataframe rows based on character vector when "%in%" and "which" are not working当“%in%”和“which”不起作用时，基于字符向量子集数据帧行
【发布时间】：2020-10-27 14:40:25
【问题描述】：

我一直坚持这个简单的任务，即根据字符向量对数据帧的行进行子集：

# the vector:
vec <- c("8cc7e656.0152.4359.8566.0581c3",    
                   "b3696374.c6c0.49dd.833e.596e26_D2", 
                   "f635496c.0046.4ecd.89bc.7a4f33_D2", 
                   "e1cd3d70.132b.452f.ba10.026721_D2") 

# the dataframe
df <- data.frame(PCC=c("PNNL", "VU", "PNNL", "PNNL", "PNNL", "PNNL", "PNNL", "PNNL", "VU", "PNNL"),
                     Participant.ID=c("01CO001", "01CO005", "01CO008", "01CO014", "01CO019", 
                                      "05CO002", "05CO003", "11CO051", "11CO052", "11CO053"),
                     Specimen.Label=c("5a3aa99d-ca10-45f6-939f-12392a_D2", "59891744-2db3-4541-a86a-7f911f_D2", 
                                      "8cc7e656-0152-4359-8566-0581c3", "c9730cb4-b52c-4ca8-9652-4509d0_D2",
                                      "573048dd-2502-40e0-8e8c-c41bb8_D3", "f635496c-0046-4ecd-89bc-7a4f33_D2",
                                      "8fab37a4-cdf9-4ce8-9081-7b9148_D2", "b3696374-c6c0-49dd-833e-596e26_D2", 
                                      "0630ecb0-b664-4e75-bb3c-fb62ee_D2", "e1cd3d70-132b-452f-ba10-026721_D2"))

我想获得一个数据框，其中仅包含由df$Specimen.Label 和vec 之间的精确匹配定义的那些行。使用简单的 df2 <- df[df$Specimen.Label %in% vec,] 返回一个 0 行的数据帧，而使用 vec2 <- which(df$Specimen.Label %in% vec) 调用行索引返回一个空类整数向量。

但是，grep 会返回正确的索引。例如grep("e1cd3d70.132b.452f.ba10.026721_D2", df$Specimen.Label) 返回10。所以我想为什么不这样复制它：

ind <- vector("numeric")

for (i in (vec)){
  a <- vec[i]
  ind[i] <- as.numeric(grep(a, df$Specimen.Label))
  a <- NULL
}

但不幸的是，这会返回一个向量ind（长度等于vec），其中填充了NAs，而不是所需的行索引，以及一条警告，指出“要替换的项目数不是倍数替换长度”。这里有什么问题？为什么 grep 在单独调用时有效，但在循环中使用时无法返回值？提前感谢您提供富有成效的解决方案。

【问题讨论】：

grep 假定 . 不是 match 区分 _ 和 .
问题是vec 有点，而df$Specimen.Label 有连字符，所以你的第一个命令不会返回任何内容。 df[df$Specimen.Label %in% gsub("\\.", "-", vec),] 返回原始数据帧的一些行（使用您的示例数据，它返回第 3、6、8、10 行）。这是你想要的输出吗？

标签： r dataframe filter subset

【解决方案1】：

您的问题似乎是vec 包含点而不是破折号。这段代码可以解决这个问题：

#Replace
vec <- gsub('.','-',vec,fixed = T)
#Compare
df2 <- df[df$Specimen.Label %in% vec,]

    PCC Participant.ID                    Specimen.Label
3  PNNL        01CO008    8cc7e656-0152-4359-8566-0581c3
6  PNNL        05CO002 f635496c-0046-4ecd-89bc-7a4f33_D2
8  PNNL        11CO051 b3696374-c6c0-49dd-833e-596e26_D2
10 PNNL        11CO053 e1cd3d70-132b-452f-ba10-026721_D2

【讨论】：

【解决方案2】：

字符串匹配失败，因为vec 中的数据由句点分隔，但df 中的数据由破折号分隔。

基础 R 解决方案

如果将. 替换为-，则可以将提取运算符的[ 形式与%in% 一起使用：

# the vector:
vec <- c("8cc7e656.0152.4359.8566.0581c3",    
         "b3696374.c6c0.49dd.833e.596e26_D2", 
         "f635496c.0046.4ecd.89bc.7a4f33_D2", 
         "e1cd3d70.132b.452f.ba10.026721_D2") 

# the dataframe
df <- data.frame(PCC=c("PNNL", "VU", "PNNL", "PNNL", "PNNL", "PNNL", "PNNL", "PNNL", "VU", "PNNL"),
                 Participant.ID=c("01CO001", "01CO005", "01CO008", "01CO014", "01CO019", 
                                  "05CO002", "05CO003", "11CO051", "11CO052", "11CO053"),
                 Specimen.Label=c("5a3aa99d-ca10-45f6-939f-12392a_D2", "59891744-2db3-4541-a86a-7f911f_D2", 
                                  "8cc7e656-0152-4359-8566-0581c3", "c9730cb4-b52c-4ca8-9652-4509d0_D2",
                                  "573048dd-2502-40e0-8e8c-c41bb8_D3", "f635496c-0046-4ecd-89bc-7a4f33_D2",
                                  "8fab37a4-cdf9-4ce8-9081-7b9148_D2", "b3696374-c6c0-49dd-833e-596e26_D2", 
                                  "0630ecb0-b664-4e75-bb3c-fb62ee_D2", "e1cd3d70-132b-452f-ba10-026721_D2"))

vec <- gsub("\\.","\\-",vec)

df[df$Specimen.Label %in% vec,]

...和输出：

> df[df$Specimen.Label %in% vec,]
    PCC Participant.ID                    Specimen.Label
3  PNNL        01CO008    8cc7e656-0152-4359-8566-0581c3
6  PNNL        05CO002 f635496c-0046-4ecd-89bc-7a4f33_D2
8  PNNL        11CO051 b3696374-c6c0-49dd-833e-596e26_D2
10 PNNL        11CO053 e1cd3d70-132b-452f-ba10-026721_D2

dplyr 解决方案

dplyr::filter()的解决方案如下：

df %>% filter(Specimen.Label %in% vec)

   PCC Participant.ID                    Specimen.Label
1 PNNL        01CO008    8cc7e656-0152-4359-8566-0581c3
2 PNNL        05CO002 f635496c-0046-4ecd-89bc-7a4f33_D2
3 PNNL        11CO051 b3696374-c6c0-49dd-833e-596e26_D2
4 PNNL        11CO053 e1cd3d70-132b-452f-ba10-026721_D2

【讨论】：

【解决方案3】：

（只需添加我的评论作为答案，因为它是在其他评论之前发布的）

问题是vec 中有点，而df$Specimen.Label 中有连字符，因此您的第一个命令不会返回任何内容。如果你改写

df[df$Specimen.Label %in% gsub("\\.", "-", vec),]

你得到

#     PCC Participant.ID                    Specimen.Label
# 3  PNNL        01CO008    8cc7e656-0152-4359-8566-0581c3
# 6  PNNL        05CO002 f635496c-0046-4ecd-89bc-7a4f33_D2
# 8  PNNL        11CO051 b3696374-c6c0-49dd-833e-596e26_D2
# 10 PNNL        11CO053 e1cd3d70-132b-452f-ba10-026721_D2

另一个基本 R 选项是使用函数subset

subset(df, Specimen.Label %in% gsub("\\.", "-", vec))

【讨论】：