如何根据某些列自动对数据框进行子集化并存储在 R 中的单独 dfs 中

Question

我正在使用 R 中的数据集。该数据集包含一些值列和一些城市列，每个城市作为虚拟变量（0 和 1）。数据集是这样的：

    df<-data.frame(A=c(1,2,2,3,4,5,1,1,2,3,4,4),
            B=c(4,4,2,3,4,2,1,5,2,2,5,1) ,
            C=c(rep(0:1, each=3, times=2)),
            D=round(rnorm(12, mean=50, sd=10), 2) ,
            City1=c(rep(0:1, each=6)),
            City2=c(rep(c(1, 0), c(6,6))))

以上数据集是一个原型。真实的数据集有不同数量的“城市”变量，即有时一个数据集有 2 个“城市”列，有时它有 10 个“城市”列。 我想要一个解决方案，我可以根据每个“城市”的值创建单独的数据集。例如，代码基于“City1”列中的“1”值（而非“0”值）创建数据集，并存储在名称为“City1”的数据框中。然后，转到“City2”列并根据“City2”列中的“1”值（而非“0”值）创建数据集，并存储在名称为“City2”的单独数据框中。等等。

我知道像下面这样的一些代码可以完成这项工作，但这样我每次都必须根据“城市”变量的名称编写代码，而且每个数据集中的城市数量也不同。

df1 <- df[df$City1==1,]
df2 <- df[df$City2==1,]

有人可以帮我解决这个问题吗？ 提前谢谢你。

Answer 1

识别城市列，然后遍历它们并split：

cc <- which(grepl("^City", colnames(df)))
lapply(cc, function(i){ split(df[, -cc], df[ i ]) })

Answer 2

这是一种使用

purrr::map

和

rlang::bind_env

的方法。这会在全局环境中创建

df1

和

df2

，注意不要覆盖现有对象！如果您只想要一个

data.frame

的列表，那么只需使用

map

即可。

library(purrr)
library(rlang)

grep("City", names(df), value = TRUE) %>% 
  set_names() %>% 
  map(~ df[df[[.x]] == 1, ]) %>% 
  env_bind(.GlobalEnv, !!! .)

来自 OP 的数据

df <- data.frame(A = c(1,2,2,3,4,5,1,1,2,3,4,4),
                 B = c(4,4,2,3,4,2,1,5,2,2,5,1),
                 C = c(rep(0:1, each=3, times=2)),
                 D = round(rnorm(12, mean=50, sd=10), 2),
                 City1 = c(rep(0:1, each=6)),
                 City2 = c(rep(c(1, 0), c(6,6)))
                 )

^{由 reprex 包 (v2.0.1) 于 2023-03-07 创建}

Answer 3

您可以

paste

列然后

split

：

Citys <- startsWith(colnames(df), "City")
split(df, do.call("paste", df[Citys]))

---

或者，与

pivot_longer

：

library(tidyr)
library(dplyr)
df %>% 
  pivot_longer(starts_with("City"), names_to = "Cities") %>% 
  filter(value == 1) %>% 
  split(.$Cities)

如果要将列表转换为全局环境中的多个数据框，请使用

list2env(your_list, .GlobalEnv)

。

Answer 4

您可以使用

df

为以 City 开头的列子集

startsWith

，测试它们是否等于 1

== 1

并获得

max.col

的列。

Paste

df 在列的前面并使用它来

split

df

。使用

list2env

获得全局环境中的

data.frames

。

list2env(split(df, paste0("df", max.col(df[startsWith(names(df), "City")] ==
                                        1))), globalenv())

df1
#   A B C     D City1 City2
#7  1 1 0 65.30     1     0
#8  1 5 0 45.81     1     0
#9  2 2 0 43.37     1     0
#10 3 2 1 55.14     1     0
#11 4 5 1 59.21     1     0
#12 4 1 1 50.55     1     0

df2
#  A B C     D City1 City2
#1 1 4 0 62.32     0     1
#2 2 4 0 45.78     0     1
#3 2 2 0 54.80     0     1
#4 3 3 1 44.96     0     1
#5 4 4 1 61.42     0     1
#6 5 2 1 51.26     0     1

如果要将其保存在列表中并假设 City 仅用 0 或 1 编码，您可以尝试：

split(df, max.col(df[startsWith(names(df), "City")]))

或使用

lapply

和子集

df

.

lapply(df[startsWith(names(df), "City")], \(i) df[i==1,])

---

基准

bench::mark(check = FALSE,
zx8754 = {cc <- which(grepl("^City", colnames(df)))  #Returns something different
  lapply(cc, function(i){ split(df[, -cc], df[ i ]) })},
TimTeaFan = {grep("City", names(df), value = TRUE) %>% 
  set_names() %>% 
  map(~ df[df[[.x]] == 1, ])},
Maël = split(df, do.call("paste", df[startsWith(colnames(df), "City")])),
GKi = split(df,  max.col(df[startsWith(names(df), "City")])),
GKi2 = lapply(df[startsWith(names(df), "City")], \(i) df[i==1,])
)
#  expression      min median itr/s…¹ mem_al…² gc/se…³ n_itr  n_gc total…⁴ result
#  <bch:expr> <bch:tm> <bch:>   <dbl> <bch:by>   <dbl> <int> <dbl> <bch:t> <list>
#1 zx8754        495µs  548µs   1621.  11.27KB    10.3   788     5   486ms <NULL>
#2 TimTeaFan     226µs  247µs   3863.       0B    12.3  1877     6   486ms <NULL>
#3 Maël          250µs  264µs   3754.       0B    12.3  1824     6   486ms <NULL>
#4 GKi           302µs  321µs   3051.     240B    12.4  1480     6   485ms <NULL>
#5 GKi2          161µs  177µs   5575.   6.36KB    14.5  2694     7   483ms <NULL>