具有 (1) ALL 和 (2) ANY 列大于特定值的子集行答案

【问题标题】：subset rows with (1) ALL and (2) ANY columns larger than a specific value具有 (1) ALL 和 (2) ANY 列大于特定值的子集行
【发布时间】：2021-02-25 19:31:25
【问题描述】：

我有一个带有 id 列的数据框和一些（可能很多）带有值的列，这里是 'v1'、'v2'：

df <- data.frame(id = c(1:5), v1 = c(0,15,9,12,7), v2 = c(9,32,6,17,11))
#   id v1 v2
# 1  1  0  9
# 2  2 15 32
# 3  3  9  6
# 4  4 12 17
# 5  5  7 11

如何提取所有值都大于某个值的行，比如 10，应该返回：
```
#   id v1 v2
# 2  2 15 32
# 4  4 12 17
```
如何提取任何（至少一个）值大于 10 的行：
```
#   id v1 v2
# 2  2 15 32
# 4  4 12 17
# 5  5  7 11
```

【问题讨论】：

标签： r subset r-faq

【解决方案1】：

请参阅函数 all() 和 any() 分别获取问题的第一部分和第二部分。 apply() 函数可用于在行或列上运行函数。（MARGIN = 1 是行，MARGIN = 2 是列，等等）。请注意，在进行比较时，我在 df[, -1] 上使用 apply() 来忽略 id 变量。

第 1 部分：

> df <- data.frame(id=c(1:5), v1=c(0,15,9,12,7), v2=c(9,32,6,17,11))
> df[apply(df[, -1], MARGIN = 1, function(x) all(x > 10)), ]
  id v1 v2
2  2 15 32
4  4 12 17

第 2 部分：

> df[apply(df[, -1], MARGIN = 1, function(x) any(x > 10)), ]
  id v1 v2
2  2 15 32
4  4 12 17
5  5  7 11

要查看发生了什么，x > 10 为每一行返回一个逻辑向量（通过 apply() 指示每个元素是否大于 10。all() 返回 TRUE 如果 all输入向量的元素是 TRUE 和 FALSE 否则。any() 返回 TRUE 如果输入中的元素任何是 TRUE 和 FALSE 如果都是 @987654341 @。

然后我使用apply() 调用产生的逻辑向量

> apply(df[, -1], MARGIN = 1, function(x) all(x > 10))
[1] FALSE  TRUE FALSE  TRUE FALSE
> apply(df[, -1], MARGIN = 1, function(x) any(x > 10))
[1] FALSE  TRUE FALSE  TRUE  TRUE

到子集df（如上所示）。

【讨论】：

【解决方案2】：

这可以使用 apply 和边距 1 来完成，它将对每一行应用一个函数。检查给定行的函数是

function(row) {all(row > 10)}

所以提取行本身的方法是

df[apply(df, 1, function(row) {all(row > 10)}),]

【讨论】：

等等，你想做all(row[-1] > 10) 不考虑id 列。或者在df[-1]上应用函数。

【解决方案3】：

一个选项是逐行循环（例如使用apply）并使用any 或all，正如其他两个答案中所建议的那样。但是，这对于大型数据帧可能效率低下。

矢量化方法是使用rowSums 来确定每行中与您的条件匹配的值的数量，并根据该数量进行过滤。

(1) 过滤到所有值至少为10的行时，这与过滤到一行中小于或等于10的值的个数为0的情况相同：

df[rowSums(df[,-1] <= 10) == 0,]
#   id v1 v2
# 2  2 15 32
# 4  4 12 17

(2) 类似地，rowSums 可以很容易地用于计算任何（至少一个）值大于 10 的行：

df[rowSums(df[,-1] > 10) > 0,]
#   id v1 v2
# 2  2 15 32
# 4  4 12 17
# 5  5  7 11

输入越大，加速效果越明显：

set.seed(144)
df <- matrix(sample(c(1, 10, 20), 3e6, replace=TRUE), ncol=3)
system.time(df[apply(df[, -1], MARGIN = 1, function(x) all(x > 10)), ])
#    user  system elapsed 
#   1.754   0.156   2.102 
system.time(df[rowSums(df[,-1] <= 10) == 0,])
#    user  system elapsed 
#    0.04    0.01    0.05

【讨论】：

【解决方案4】：

dplyr 等效项如下

library(dplyr)

#ANY
df %>% rowwise() %>%
  filter(any(across(starts_with("v"), ~ sum((. > 10)))))
# A tibble: 3 x 3
# Rowwise: 
     id    v1    v2
  <int> <dbl> <dbl>
1     2    15    32
2     4    12    17
3     5     7    11


#ALL
df %>% rowwise() %>%
  filter(all(across(starts_with("v"), ~ sum((. > 10)))))

# A tibble: 2 x 3
# Rowwise: 
     id    v1    v2
  <int> <dbl> <dbl>
1     2    15    32
2     4    12    17

【讨论】：