基于R中大型数据集中没有足够的重复数据删除行答案

【问题标题】：Removing Rows Based on Not Enough Repeated Data in a Large Data Set in R基于R中大型数据集中没有足够的重复数据删除行
【发布时间】：2015-07-17 02:24:47
【问题描述】：

我希望对大量数据进行 4 天滚动平均值。问题是有些人没有 4 个案例，因此我收到一个错误，表明 k

有没有办法删除数据集中没有足够数据的任何个人？

以下是数据外观的示例：

     Name  variable.1
1     Kim   64.703950
2     Kim  926.339849
3     Kim  128.662977
4     Kim  290.888594
5     Kim  869.418523
6     Bob  594.973849
7     Bob  408.159544
8     Bob  609.140928
9  Joseph  496.779712
10 Joseph  444.028668
11 Joseph -213.375635
12 Joseph  -76.728981
13 Joseph  265.642784
14   Hank  -91.646728
15   Hank  170.209746
16   Hank   97.889889
17   Hank   12.069074
18   Hank  402.361731
19   Earl  721.941796
20   Earl    4.823148
21   Earl  696.299627

【问题讨论】：

标签： r dataframe dataset

【解决方案1】：

您可以创建第二个 data.frame 聚合到用户级别，并为每个用户计算一个计数。然后由用户将该 data.frame 加入到原始数据中，然后将新的 data.frame 子集到 count >= 4

【讨论】：

【解决方案2】：

试试：

library(zoo)
library(dplyr)
df %>%
  group_by(Name) %>%
  filter(n() >= 4) %>%
  mutate(daymean = rollmean(variable.1, 4, align="right", na.pad=TRUE))

这只会使组数大于或等于 4，并计算 variable.1 的 4 天滚动平均值。

#     Name variable.1  daymean
#1     Kim   64.70395       NA
#2     Kim  926.33985       NA
#3     Kim  128.66298       NA
#4     Kim  290.88859 352.6488
#5     Kim  869.41852 553.8275
#6  Joseph  496.77971       NA
#7  Joseph  444.02867       NA
#8  Joseph -213.37563       NA
#9  Joseph  -76.72898 162.6759
#10 Joseph  265.64278 104.8917
#11   Hank  -91.64673       NA
#12   Hank  170.20975       NA
#13   Hank   97.88989       NA
#14   Hank   12.06907  47.1305
#15   Hank  402.36173 170.6326

【讨论】：

【解决方案3】：

这里有两个基本选项，一个是ave，我们为组中的每一行生成一个向量，该向量具有该组的长度（ave 将回收其结果以填充一个组）：

subset(DF, ave(seq(Name), Name, FUN=length) > 4)

另一个是table，我们计算每个组中的项目并使用%in% 只保留属于具有足够项目的组的行。

subset(DF, Name %in% names(table(Name)[table(Name) > 4]))

两者都产生：

     Name variable.1
1     Kim   64.70395
2     Kim  926.33985
3     Kim  128.66298
4     Kim  290.88859
5     Kim  869.41852
9  Joseph  496.77971
10 Joseph  444.02867
11 Joseph -213.37563
12 Joseph  -76.72898
13 Joseph  265.64278
14   Hank  -91.64673
15   Hank  170.20975
16   Hank   97.88989
17   Hank   12.06907
18   Hank  402.36173

【讨论】：

这是一个简单的解决方案。谢谢。

【解决方案4】：

如果您的数据框是df，您可以删除所有使用dplyr 出现少于4 次的名称：

library(dplyr)

df %>%
  group_by(Name) %>%
  filter(n() >= 4)

【讨论】：

完美运行。谢谢！
您可能会发现 this introduction 到 dplyr 有用的读物。
谢谢。 dplyr 似乎是一个非常有用的软件包。这将帮助我熟悉它。