数据帧切片答案

【问题标题】：data.frame slicing数据帧切片
【发布时间】：2012-02-01 13:00:38
【问题描述】：

我希望这个问题对于这个董事会来说不是太简单。

我已经创建了一个 data.frame df:

       CAS        Name        CID
89  13010-47-4   Lomustine         3950
90 130209-82-4   Latanoprost       5311221,5282380,46705340,3890
91 130636-43-0   Nifekalant        268083
92 130929-57-6   Entacapone        5281081

还有一个向量 vec

[1] 5282380 18471829 45923789 44308022 44266812 24883465 24867475 24867460

我想提取包含任意数量的 vec 的 df 行。我试图通过这段代码解决这个问题：

 df$GC[(df$CID %in% vec)] = 1

 df[df$GC==1,]

但是这个解决方案的问题是，我只得到了行，这些行在 CID 列中只包含一个数字。在 CID 中包含多个值的行（如第 90 行）不会出现。

这个问题有没有优雅的解决方案？

提前致谢

【问题讨论】：

标签： string r dataframe slice

【解决方案1】：

鉴于您对 EDi 的回答的评论（我喜欢），我想我会提出一个建议。

将逗号分隔的值压缩到数据框的单列中很尴尬，而且（根据我的经验）只会导致挫败感。我经常发现将它保存在一个单独的数据结构（一个列表）中更简单：

dat <- read.table(text = "       CAS        Name        CID
   13010-47-4   Lomustine         3950
  130209-82-4   Latanoprost       5311221,5282380,46705340,3890
  130636-43-0   Nifekalant        268083
  130929-57-6   Entacapone        5281081",sep = "",header = TRUE)

cid <- sapply(dat$CID,strsplit,",",USE.NAMES = FALSE)

在这种形式下，事情通常更容易处理：

ID <- c(5282380, 18471829, 45923789, 44308022, 44266812, 24883465, 24867475, 24867460, 3950)
dat[sapply(cid,function(x) {any(x %in% as.character(ID))}),]
          CAS        Name                           CID
1  13010-47-4   Lomustine                          3950
2 130209-82-4 Latanoprost 5311221,5282380,46705340,3890

如果您担心顺序发生变化，您始终可以使用 dat 中的行名和列表名称来保持每个项目的正确性。

（另请注意，我的匿名函数假设 ID 最终会被 R 的范围规则找到；如果您愿意，您可以更改函数以显式传入 ID。）

【讨论】：

感谢您的提示。使用逗号分隔值真的很令人沮丧:)

【解决方案2】：

一种方法是使用 grep()：

> txt <- "       CAS        Name        CID
+   13010-47-4   Lomustine         3950
+  130209-82-4   Latanoprost       5311221,5282380,46705340,3890
+  130636-43-0   Nifekalant        268083
+  130929-57-6   Entacapone        5281081
+ "
> con <- textConnection(txt)
> df <- read.table(con, header = TRUE)
> close(con)
> ID <- c(5282380, 18471829, 45923789, 44308022, 44266812, 24883465, 24867475, 24867460, 3950)
> grep(paste("\\b", ID, "\\b", sep="", collapse = "|"), dat$CID)
[1] 1 2

【讨论】：

不错。仅供参考，从 R-2.14 开始，借助 R-core，您可以在单个命令 txt <- read.table(text="Body of table") 中读取文本数据，避免显式打开和关闭连接。
@Josh：谢谢！ - 不知道。
感谢您的快速回答。这个解决方案的问题是，例如ID“08”会找到几行，尽管这些行只包含数字。是否可以仅选择逗号之间包含完整数字的行，例如“5282380”而不仅仅是“52823”或“2380”？
除了上面 Joran 的精细方法之外，您还可以修复 EDi 的正则表达式，使其仅匹配 ID 中的确切字符串。方法如下：grep(paste("\\b", ID, "\\b", sep="", collapse = "|"), dat$CID)。（有关详细信息，请参阅?regexp，其中解释了“符号‘\b’与单词任一边缘的空字符串匹配”。）
@Josh+ EDi 感谢您提供这些有用的信息。效果很好。