如何根据第二个数据帧中的外观保留一个数据帧中的数据？答案

【问题标题】：How can I keep data from one dataframe based on its appearance in a second dataframe?如何根据第二个数据帧中的外观保留一个数据帧中的数据？
【发布时间】：2021-08-08 16:29:25
【问题描述】：

我有 2 个包含相似数据的数据框。我知道数据框 2 中的数据在整个数据框 1 中重复出现。我想从数据框 1 中提取所有行，这些行的 ID 与数据框 2 中的一个匹配。例如，数据框 1 的长度约为 40,000 行，其中包含蛋白质和 ID 列：

  Protein |    ID|
# 4521     33PB
# 6743     67TR
# 6743     67TR
# 6743     63YH
# 5571     84RW

Dataframe 2 只有大约 10 行长，包含多列信息，但我只关心 ID 列。数据框 2：

Length |  Family      | ID 
# 700      transferase   33PB
# 478      Cytochrome    67TR
# 341      Cytochrome    23FD
# 902      Methyl        00QA
# 554      p450          76LK

我正在尝试生成一个数据框，其中包含来自数据框 1 的 ID，其中包含在数据框 2 中找到的 ID，同时也为了维护其行中的相关蛋白质。例如，在这里我希望输出为：

Protein  |  ID
# 4521       33PB
# 6743       67TR
# 6743       67TR

我尝试使用 ID 列使用intersect()，但是这总是返回一个空数据帧，filter() 和使用%in% 时也是如此。我也尝试过if(){} 声明，但是这些声明并没有返回我的结果。我不确定是否有一个简单的函数可以使用，或者我是否应该设置一个while() 循环。不过我没有这方面的经验，所以不知道从哪里开始。

任何建议都将不胜感激，我已经坚持了几个小时。提前谢谢你。

【问题讨论】：

试试df1 %>% filter(ID %in% unique(df2$ID))
@coffeinjunky 非常感谢，我试试看！

标签： r dataframe filter intersect

【解决方案1】：

我们可以使用来自dplyr 包的inner_join：

library(dplyr)
df1 %>% 
    inner_join(df2, by="ID")

输出：

  Protein   ID Length      Family
1    4521 33PB    700 transferase
2    6743 67TR    478  Cytochrome
3    6743 67TR    478  Cytochrome

数据：

df1 <- structure(list(Protein = c(4521L, 6743L, 6743L, 6743L, 5571L), 
ID = c("33PB", "67TR", "67TR", "63YH", "84RW")), class = "data.frame", row.names = c(NA, 
-5L))

df2 <- structure(list(Length = c(700L, 478L, 341L, 902L, 554L), Family = c("transferase", 
"Cytochrome", "Cytochrome", "Methyl", "p450"), ID = c("33PB", 
"67TR", "23FD", "00QA", "76LK")), class = "data.frame", row.names = c(NA, 
-5L))

【讨论】：

【解决方案2】：

只是为了说明我的评论：

library(tidyverse)

df1 %>% filter(ID %in% unique(df2$ID))
#>   Protein   ID
#> 1    4521 33PB
#> 2    6743 67TR
#> 3    6743 67TR

^{由reprex package (v2.0.1) 于 2021-08-08 创建}

使用@TarJae 提供的数据框

【讨论】：

【解决方案3】：

使用来自base R的subset

 subset(df1, ID %in% df2$ID)
  Protein   ID
1    4521 33PB
2    6743 67TR
3    6743 67TR

【讨论】：

【解决方案4】：

使用merge 的基本 R 选项

> merge(df1, df2)
    ID Protein Length      Family
1 33PB    4521    700 transferase
2 67TR    6743    478  Cytochrome
3 67TR    6743    478  Cytochrome

【讨论】：