在分组数据框中选择具有共同 id 的行答案

【问题标题】：Select rows with common ids in grouped data frame在分组数据框中选择具有共同 id 的行
【发布时间】：2019-11-17 14:59:25
【问题描述】：

我正在寻找以下问题的更简单的解决方案。这是我的设置：

test <- tibble::tribble(
  ~group_name, ~id_name, ~varA, ~varB,
     "groupA",   "id_1",     1,   "a",
     "groupA",   "id_2",     4,   "f",
     "groupA",   "id_3",     5,   "g",
     "groupA",   "id_4",     6,   "x",
     "groupA",   "id_4",     6,   "h",
     "groupB",   "id_1",     2,   "s",
     "groupB",   "id_2",    13,   "y",
     "groupB",   "id_4",    14,   "t",
     "groupC",   "id_1",     3,   "d",
     "groupC",   "id_2",     7,   "j",
     "groupC",   "id_3",     8,   "k",
     "groupC",   "id_4",     9,   "l",
     "groupC",   "id_5",     0,   "o",
     "groupC",   "id_6",    12,   "u"
  )

我只想选择 id_name 中所有组共有的 group_name 中的元素 - 即删除所有组中不存在的 id 的行。我的实际数据很大（200k 行），有 4-20 个组（我事先不知道组的数量，因此解决方案必须适用于任意数量的组）。每个组中的id_name 不是唯一的。期望的结果是：

test_result <- tibble::tribble(
  ~group_name, ~id_name, ~varA, ~varB,
     "groupA",   "id_1",     1,   "a",
     "groupA",   "id_2",     4,   "f",
     "groupA",   "id_4",     6,   "x",
     "groupA",   "id_4",     6,   "h",
     "groupB",   "id_1",     2,   "s",
     "groupB",   "id_2",    13,   "y",
     "groupB",   "id_4",    14,   "t",
     "groupC",   "id_1",     3,   "d",
     "groupC",   "id_2",     7,   "j",
     "groupC",   "id_4",     9,   "l",
  )

（删除至少一组中不存在 id 的行）。理想情况下，我不希望我的输出在最后加入列。我想“简单地”删除任何一组中缺少的行，但保持数据框的形状。

而且我知道我可以从每个组中提取所有 id，然后将它们全部相交以获得所有组中存在的唯一 id 列表，然后仅过滤这些 ID 的主数据框。但这听起来像是很多工作;-)

任何提示将不胜感激。

【问题讨论】：

标签： r dplyr tidyverse

【解决方案1】：

在基础R中，我们可以通过group_namesplitid_name找到共同的id's然后subset

subset(test, id_name %in% Reduce(intersect, split(id_name, group_name)))

#   group_name id_name  varA varB 
#   <chr>      <chr>   <dbl> <chr>
# 1 groupA     id_1        1 a    
# 2 groupA     id_2        4 f    
# 3 groupA     id_4        6 x    
# 4 groupA     id_4        6 h    
# 5 groupB     id_1        2 s    
# 6 groupB     id_2       13 y    
# 7 groupB     id_4       14 t    
# 8 groupC     id_1        3 d    
# 9 groupC     id_2        7 j    
#10 groupC     id_4        9 l

在tidyverse中使用类似的概念，它会是

library(tidyverse)
test %>%
  filter(id_name %in% (test %>%
                         group_split(group_name)  %>%
                         map(~pull(., id_name)) %>%
                         reduce(intersect)))

【讨论】：

这很快！惊人的。这些嵌入式管道肯定很有帮助。

【解决方案2】：

您可以通过 group_name 将 id_name 的出现列表：

table(test$group_name,test$id_name)

如果每个组中都存在 id_name，我们希望列的所有条目都 > 0。我们可以使用 >0 和 colMeans 的组合来简化这个逻辑：

keep = names(which(colMeans(table(test$group_name,test$id_name)>0)==1))

使用这个：

test[test$id_name %in% keep,]

【讨论】：

是的，这更像是我认为我可以做到的方式 - 如果我想保持任意数量的组共有的 ID，此解决方案很有用。谢谢！