【问题标题】：Delete row from data.frame based on condition根据条件从 data.frame 中删除行
【发布时间】：2017-01-31 23:02:39
【问题描述】：

我在R 中尝试清理一些重复测量数据。在这一点上，它是长格式，我正在尝试修复一些条目，然后再转向宽格式 - 例如，如果人们接受我的调查太多次，我将删除这些行。我有两个主要问题要解决：

更改条目

如果有人在实际上应该是后测时从“前测链接”中进行了调查，我将使用以下代码对其进行修复：

data[data$UserID == 52118254, "Prepost"][2] <- 2

这会根据 ID 过滤掉那个人的条目，然后将第二个条目更改为后测。这段代码有足够的意义，回顾它会告诉我发生了什么。

删除一行

我正在努力获取有意义的代码来删除多余的行 - 例如，如果有人不小心点击了我的链接两次。我有如下数据：

    UserID Prepost Duration..in.seconds.
1 52118250       1                   357
2 52118284       1                   226
3 52118284       1                    11 #This is an extra attempt to remove
4 52118250       2                   261
5 52118284       2                   151
#to reproduce:
structure(list(UserID = c(52118250, 52118284, 52118284, 52118250, 52118284), Prepost = c("1", "1", "1", "2", "2"), Duration..in.seconds. = c("357", "226", "11", "261", "151")), class = "data.frame", row.names = c(NA, -5L), .Names = c("UserID", "Prepost", "Duration..in.seconds."))

我可以按 UserID 进行过滤，以查看谁使用了太多次，我正在寻找一种方法来轻松地从数据集中删除这些行。在这种情况下，用户 ID 52118284 已经使用了 3 次，需要删除第二次尝试。如果它像其他修复程序一样“可读”，那就更好了。

【问题讨论】：

或许df[!duplicated(interaction(df$UserID,df$Prepost)),]?
@A 我认为如果存在系统问题，这可能会奏效，但我必须逐案处理并确定哪个是错误的。

标签： r data-cleaning

【解决方案1】：

我会使用一组dplyr 函数，如下所示。解释一下：

group_by(UserID) 将有助于将功能分别应用于每个用户。
mutate(click_n = row_number()) 反复计算用户出现次数并将其保存为新变量 click_n。

library(dplyr)

data %>% 
  group_by(UserID) %>% 
  mutate(click_n = row_number())
#> Source: local data frame [5 x 4]
#> Groups: UserID [4]
#> 
#>     UserID Prepost Duration..in.seconds. click_n
#>      <dbl>   <chr>                 <chr>   <int>
#> 1 52118254       1                   357       1
#> 2 52118284       1                   226       1
#> 3 52118284       1                    11       2
#> 4 52118250       2                   261       1
#> 5 52118280       2                   151       1

filter(click_n == 1) 然后可用于仅保留第一次尝试，如下所示。

data <- data %>% 
  group_by(UserID) %>% 
  mutate(click_n = row_number()) %>% 
  filter(click_n == 1)
data
#> Source: local data frame [4 x 4]
#> Groups: UserID [4]
#> 
#>     UserID Prepost Duration..in.seconds. click_n
#>      <dbl>   <chr>                 <chr>   <int>
#> 1 52118254       1                   357       1
#> 2 52118284       1                   226       1
#> 3 52118250       2                   261       1
#> 4 52118280       2                   151       1

请注意，这种方法假定您的数据框是有序的。即，首次点击出现在靠近顶部的位置。

如果您不熟悉%>%，请在“管道运算符”上寻求帮助。

额外：

要将评论带入答案，一旦您对这里发生的事情感到满意，您可以跳过mutate 行，只需执行以下操作：

data %>% group_by(UserID) %>% filter(row_number() == 1)

【讨论】：

谢谢。我熟悉dplyr、mutate 和row_number。这可能是因为“标记”要删除的行的中间步骤。实际上，我可以为这些删除创建一个变量，类似于我的更改，然后一次删除所有内容。
太棒了。如果您熟悉它，那么您可以跳过mutate 行，直接转到data %>% group_by(UserID) %>% filter(row_number() == 1)。我也添加了这个来回答其他人。

【解决方案2】：

删除重复项的简单解决方案如下：

subset(data, !duplicated(data$UserID))

但是，您可能还需要考虑按持续时间进行子集化，例如持续时间小于 30 秒。

【讨论】：

我需要保留重复项，因为它现在是长数据格式。即使我通过重复的 UserID 和 Prepost 值进行过滤，我也希望对其进行更多控制。编辑：我意识到我的示例数据有点错误，应该只有两个ID，所以再看一遍。

【解决方案3】：

感谢@Simon 的建议。我想要的一个标准是代码在我“阅读”时是有意义的。当我想得更多时，另一个标准是我想仔细考虑要做出哪些改变。所以我采纳了 Simon 的建议，创建一个单独的列，然后使用 dplyr::filter() 排除这些变量。下面是一段代码示例：

#Change pre/post entries
data[data$UserID == 52118254, "Prepost"][2] <- 2

#Mark rows to delete
data$toDelete <- NA #Makes new empty column for marking deletions
data[data$UserID == 52118284,][2, "toDelete"] <- 1 #Marks row for deletion

#Filter to exclude rows
data %>% filter(is.na(toDelete))
    #Optionally add "%>% select(-toDelete)" to remove the extra column

在我的上下文中，这里的优点是一切都是经过深思熟虑的而不是自动的，并且更改锚定到数据而不是可能更改的行号。我仍然欢迎任何反馈或实现这一目标的其他方式（可能是一步）。

【讨论】：