基于多列将数据框拆分为多个数据框列表，并为每个嵌套数据框选择特定列答案

【问题标题】：Split dataframe into list of multiple dataframes based on multiple columns and select specific columns for each nested dataframe基于多列将数据框拆分为多个数据框列表，并为每个嵌套数据框选择特定列
【发布时间】：2021-02-11 11:07:25
【问题描述】：

我有一个这样的数据框：

|DOI                           | WoS| Scopus| Dim| WoS_Year| Scopus_Year| Dim_Year|
|:-----------------------------|---:|------:|---:|--------:|-----------:|--------:|
|10.1515/jag-2017-0010         |  NA|      1|   1|       NA|        2017|     2017|
|10.1007/978-3-662-55771-6_9   |  NA|     NA|   1|       NA|          NA|     2020|
|10.1088/1361-6668/30/2/024004 |   1|      1|  NA|     2017|        2017|       NA|
|10.3390/ma12010124            |   1|      1|  NA|     2019|        2019|       NA|
|10.1002/ppsc.201700109        |   1|      1|   1|     2017|        2017|     2017|

我想将其拆分为 3 个数据帧的列表 (list_of_df)，其中：

WoS：list_of_df$WoS 应该包含所有具有WoS = 1 的DOI，以及类似于旧WoS_Year 的列Year；
Scopus：list_of_df$Scopus 应该包含所有具有Scopus= 1 的DOI，以及类似于旧Scopus_Year 的列Year；
Dim：list_of_df$Dim 应该包含所有具有Dim= 1 的DOI，以及类似于旧Dim_Year 的列Year。

（实际上有多个以WoS_* 或Scopus_* 或Dim_* 开头的列，我希望将每一列都保留在新的相应list_of_df 中，但是通过删除诸如WoS_ 等的起始字符串。

例如，starting_with("Scopus_") 的所有列都应在 list_of_df$Scopus 中，但列名中应不包含 Scopus_。）

实现这一目标的最佳方法是什么？

我对@987654346@ 或dplyr::nest(df, WoS:Dim) 的尝试没有结果...

感谢您的帮助！

> dput(df)

structure(list(DOI = c("10.1515/jag-2017-0010", "10.1007/978-3-662-55771-6_9", 
"10.1088/1361-6668/30/2/024004", "10.3390/ma12010124", "10.1002/ppsc.201700109"
), WoS = c(NA, NA, 1L, 1L, 1L), Scopus = c(1L, NA, 1L, 1L, 1L
), Dim = c(1L, 1L, NA, NA, 1L), WoS_Year = c(NA, NA, 2017L, 2019L, 
2017L), Scopus_Year = c(2017L, NA, 2017L, 2019L, 2017L), Dim_Year = c(2017L, 
2020L, NA, NA, 2017L)), row.names = c(2186L, 9505L, 12281L, 11882L, 
874L), class = "data.frame")

【问题讨论】：

标签： r dataframe dplyr nested nested-lists

【解决方案1】：

在基础 R 中你可以这样做：

df1 <- subset(reshape(df, matrix(2:ncol(df),2, byrow=TRUE), dir="long", idvar = "DOI", 
                       times = c("WoS","Scopus","Dim")), WoS==1)
rownames(df1)<-NULL
split(df1, df1$time)

$Dim
                           DOI time WoS WoS_Year
8        10.1515/jag-2017-0010  Dim   1     2017
9  10.1007/978-3-662-55771-6_9  Dim   1     2020
10      10.1002/ppsc.201700109  Dim   1     2017

$Scopus
                            DOI   time WoS WoS_Year
4         10.1515/jag-2017-0010 Scopus   1     2017
5 10.1088/1361-6668/30/2/024004 Scopus   1     2017
6            10.3390/ma12010124 Scopus   1     2019
7        10.1002/ppsc.201700109 Scopus   1     2017

$WoS
                            DOI time WoS WoS_Year
1 10.1088/1361-6668/30/2/024004  WoS   1     2017
2            10.3390/ma12010124  WoS   1     2019
3        10.1002/ppsc.201700109  WoS   1     2017

您可以更改列名以匹配您想要的内容

另一种方式：

lapply(split.default(df[-1],sub("_.*","",names(df[-1]))),
        function(x)na.omit(cbind(df[1], x)[x[[1]]==1,]))
$Dim
                             DOI Dim Dim_Year
2186       10.1515/jag-2017-0010   1     2017
9505 10.1007/978-3-662-55771-6_9   1     2020
874       10.1002/ppsc.201700109   1     2017

$Scopus
                                DOI Scopus Scopus_Year
2186          10.1515/jag-2017-0010      1        2017
12281 10.1088/1361-6668/30/2/024004      1        2017
11882            10.3390/ma12010124      1        2019
874          10.1002/ppsc.201700109      1        2017

$WoS
                                DOI WoS WoS_Year
12281 10.1088/1361-6668/30/2/024004   1     2017
11882            10.3390/ma12010124   1     2019
874          10.1002/ppsc.201700109   1     2017

【讨论】：

lapply 的第二个解决方案非常优雅……谢谢！（但是有没有办法摆脱最后列名中的WoS_*、Scopus_*？）我想我应该将user2974591的colnames()和gsub()整合到lapply函数中，但我不是100% 确定如何做到这一点。
lapply(split.default(df[-1],sub("_.*","",names(df[-1]))), function(x)na.omit(cbind(df[1], setNames(x, sub("_.*","", names(x))))[x[[1]]==1,])) 应该可以工作

【解决方案2】：

base R 中的另一个，如果这是预期的输出

res=list()
for (k in c("WoS","Scopus","Dim")) {
  res[[k]]=df[df[,k]==1 & !is.na(df[,k]),grepl(k,colnames(df)) | c(TRUE,rep(FALSE,ncol(df)-1))]
  colnames(res[[k]])=gsub(paste0(k,"_"),"",colnames(res[[k]]))
}

$WoS
                                DOI WoS Year
12281 10.1088/1361-6668/30/2/024004   1 2017
11882            10.3390/ma12010124   1 2019
874          10.1002/ppsc.201700109   1 2017

$Scopus
                                DOI Scopus Year
2186          10.1515/jag-2017-0010      1 2017
12281 10.1088/1361-6668/30/2/024004      1 2017
11882            10.3390/ma12010124      1 2019
874          10.1002/ppsc.201700109      1 2017

$Dim
                             DOI Dim Year
2186       10.1515/jag-2017-0010   1 2017
9505 10.1007/978-3-662-55771-6_9   1 2020
874       10.1002/ppsc.201700109   1 2017

【讨论】：

太好了，非常感谢！出于某种原因，它删除了我的DOI 列。你知道为什么会这样吗？
@anpami 很难说，但我确实假设 DOI 列位于原始数据框中的位置 1，这是否改变了？这就是右边的东西|在循环的第一行执行。
啊，你是对的。我的代码添加了一个X 列......所以在df[1] <- NULL 之后它再次工作。谢谢你。虽然我喜欢你的代码（非常感谢！），但我认为我必须接受 @Onyambu 的第二个解决方案 lapply。原因是 Onyambu 的 lapply-solution 非常抽象和通用，它适用于列名称中的任何字符（即，不仅适用于 WoS_、Scopus_ 和 Dim_，而且适用于发生的任何其他字符到那里）。我觉得这个最优雅。不过，感谢您的解决方案！