webdevqa.jp.net

データフレーム内の名前で列を削除する方法

私は大きなデータセットを持っているので、特定の列を読むか、他のすべてを削除したいと思います。

data <- read.dta("file.dta")

興味のない列を選択します。

var.out <- names(data)[!names(data) %in% c("iden", "name", "x_serv", "m_serv")]

そして私がしたいことよりも:

for(i in 1:length(var.out)) {
   paste("data$", var.out[i], sep="") <- NULL
}

不要な列をすべて削除します。これは最適な解決策ですか?

266
leroux

インデックス付けかsubset関数を使うべきです。例えば ​​:

R> df <- data.frame(x=1:5, y=2:6, z=3:7, u=4:8)
R> df
  x y z u
1 1 2 3 4
2 2 3 4 5
3 3 4 5 6
4 4 5 6 7
5 5 6 7 8

その後、列の索引付けでwhich関数と-演算子を使用できます。

R> df[ , -which(names(df) %in% c("z","u"))]
  x y
1 1 2
2 2 3
3 3 4
4 4 5
5 5 6

あるいは、もっと簡単な方法として、select関数のsubset引数を使用します。その場合、列名のベクトルに対して直接-演算子を使用できます。また、名前を囲む引用符を省略することもできます。

R> subset(df, select=-c(z,u))
  x y
1 1 2
2 2 3
3 3 4
4 4 5
5 5 6

他の列を削除する代わりに、必要な列を選択することもできます。

R> df[ , c("x","y")]
  x y
1 1 2
2 2 3
3 3 4
4 4 5
5 5 6

R> subset(df, select=c(x,y))
  x y
1 1 2
2 2 3
3 3 4
4 4 5
5 5 6
334
juba

これには-which()を使用しないでください、非常に危険です。検討してください:

dat <- data.frame(x=1:5, y=2:6, z=3:7, u=4:8)
dat[ , -which(names(dat) %in% c("z","u"))] ## works as expected
dat[ , -which(names(dat) %in% c("foo","bar"))] ## deletes all columns! Probably not what you wanted...

代わりに、サブセットまたは!関数を使用してください。

dat[ , !names(dat) %in% c("z","u")] ## works as expected
dat[ , !names(dat) %in% c("foo","bar")] ## returns the un-altered data.frame. Probably what you want

私はこれを痛い経験から学びました。 which()を使いすぎないでください。

107
Ista

最初のでは、次の場合に列名を再アクセスする代わりに(ブール値ベクトルを使用して)直接インデックスを使用できます。あなたは同じデータフレームで作業しています。それはIstaが指摘したように安全で、書くのも実行するのも速いでしょう。だからあなたが必要とするのは、

var.out.bool <- !names(data) %in% c("iden", "name", "x_serv", "m_serv")

そして、単にデータを再割り当てします。

data <- data[,var.out.bool] # or...
data <- data[,var.out.bool, drop = FALSE] # You will need this option to avoid the conversion to an atomic vector if there is only one column left

2番目の方が書きやすく、削除する列に直接NULLを代入できます。

data[c("iden", "name", "x_serv", "m_serv")] <- list(NULL) # You need list() to respect the target structure.

最後にを使用することもできますが、実際にはコード内で使用することはできませんヘルプファイルはそれについて警告します。特に、私にとって問題なのは、susbset()のドロップ機能を直接使用したい場合は、列名に対応する式を引用符なしで書く必要があることです。

subset( data, select = -c("iden", "name", "x_serv", "m_serv") ) # WILL NOT WORK
subset( data, select = -c(iden, name, x_serv, m_serv) ) # WILL

おまけとして、これは異なる選択肢の小さなベンチマークです。遅くなり、最初の再割り当て方法が速くなります。

                                        re_assign(dtest, drop_vec)  46.719  52.5655  54.6460  59.0400  1347.331
                                      null_assign(dtest, drop_vec)  74.593  83.0585  86.2025  94.0035  1476.150
               subset(dtest, select = !names(dtest) %in% drop_vec) 106.280 115.4810 120.3435 131.4665 65133.780
 subset(dtest, select = names(dtest)[!names(dtest) %in% drop_vec]) 108.611 119.4830 124.0865 135.4270  1599.577
                                  subset(dtest, select = -c(x, y)) 102.026 111.2680 115.7035 126.2320  1484.174

Microbench graph

コードは次のとおりです。

dtest <- data.frame(x=1:5, y=2:6, z = 3:7)
drop_vec <- c("x", "y")

null_assign <- function(df, names) {
  df[names] <- list(NULL)
  df
}

re_assign <- function(df, drop) {
  df <- df [, ! names(df) %in% drop, drop = FALSE]
  df
}

res <- microbenchmark(
  re_assign(dtest,drop_vec),
  null_assign(dtest,drop_vec),
  subset(dtest, select = ! names(dtest) %in% drop_vec),
  subset(dtest, select = names(dtest)[! names(dtest) %in% drop_vec]),
  subset(dtest, select = -c(x, y) ),
times=5000)

plt <- ggplot2::qplot(y=time, data=res[res$time < 1000000,], colour=expr)
plt <- plt + ggplot2::scale_y_log10() + 
  ggplot2::labs(colour = "expression") + 
  ggplot2::scale_color_discrete(labels = c("re_assign", "null_assign", "subset_bool", "subset_names", "subset_drop")) +
  ggplot2::theme_bw(base_size=16)
print(plt)
42
Antoine Lizée

dplyrパッケージを試すこともできます。

R> df <- data.frame(x=1:5, y=2:6, z=3:7, u=4:8)
R> df
  x y z u
1 1 2 3 4
2 2 3 4 5
3 3 4 5 6
4 4 5 6 7
5 5 6 7 8
R> library(dplyr)
R> dplyr::select(df2, -c(x, y))  # remove columns x and y
  z u
1 3 4
2 4 5
3 5 6
4 6 7
5 7 8
22
Megatron

これに対する素早い解決策です。たとえば、A、B、Cの3つの列を持つデータフレームXがあるとします。

> X<-data.frame(A=c(1,2),B=c(3,4),C=c(5,6))
> X
  A B C
1 1 3 5
2 2 4 6

列を削除したい場合は、Bとします。colnamesにgrepを使用して列インデックスを取得します。これを使用して列を省略できます。

> X<-X[,-grep("B",colnames(X))]

新しいXデータフレームは次のようになります(今回はB列なし)。

> X
  A C
1 1 5
2 2 6

Grepの長所は、正規表現に一致する複数の列を指定できることです。 Xに5つの列(A、B、C、D、E)があるとします。

> X<-data.frame(A=c(1,2),B=c(3,4),C=c(5,6),D=c(7,8),E=c(9,10))
> X
  A B C D  E
1 1 3 5 7  9
2 2 4 6 8 10

列BとDを取り出します。

> X<-X[,-grep("B|D",colnames(X))]
> X
  A C  E
1 1 5  9
2 2 6 10

編集:以下のコメントでMatthew Lundbergのgrepl提案を考慮してください。

> X<-data.frame(A=c(1,2),B=c(3,4),C=c(5,6),D=c(7,8),E=c(9,10))
> X
  A B C D  E
1 1 3 5 7  9
2 2 4 6 8 10
> X<-X[,!grepl("B|D",colnames(X))]
> X
  A C  E
1 1 5  9
2 2 6 10

存在しない列を削除しようとしても、何も起こらないはずです。

> X<-X[,!grepl("G",colnames(X))]
> X
  A C  E
1 1 5  9
2 2 6 10
7
Joben R. Ilagan

パッケージdata.tableを使用しているときに列を削除しようとしましたが、予期しない結果が得られました。私は、以下が投稿する価値があるかもしれないと思います。ちょっと注意してください。

[マシューによる編集...]

DF = read.table(text = "
     fruit state grade y1980 y1990 y2000
     apples Ohio   aa    500   100   55
     apples Ohio   bb      0     0   44
     apples Ohio   cc    700     0   33
     apples Ohio   dd    300    50   66
", sep = "", header = TRUE, stringsAsFactors = FALSE)

DF[ , !names(DF) %in% c("grade")]   # all columns other than 'grade'
   fruit state y1980 y1990 y2000
1 apples  Ohio   500   100    55
2 apples  Ohio     0     0    44
3 apples  Ohio   700     0    33
4 apples  Ohio   300    50    66

library('data.table')
DT = as.data.table(DF)

DT[ , !names(dat4) %in% c("grade")]    # not expected !! not the same as DF !!
[1]  TRUE  TRUE FALSE  TRUE  TRUE  TRUE

DT[ , !names(DT) %in% c("grade"), with=FALSE]    # that's better
    fruit state y1980 y1990 y2000
1: apples  Ohio   500   100    55
2: apples  Ohio     0     0    44
3: apples  Ohio   700     0    33
4: apples  Ohio   300    50    66

基本的に、data.tableの構文はdata.frameとまったく同じではありません。実際にはたくさんの違いがあります、FAQ 1.1とFAQ 2.17を見てください。あなたは警告されました!

5
Mark Miller

コードを次のように変更しました。

# read data
dat<-read.dta("file.dta")

# vars to delete
var.in<-c("iden", "name", "x_serv", "m_serv")

# what I'm keeping
var.out<-setdiff(names(dat),var.in)

# keep only the ones I want       
dat <- dat[var.out]

とにかく、jubaの答えが私の問題に対する最良の解決策です!

1
leroux
df2 <- df[!names(df) %in% c("c1", "c2")]
1
Marvin W

これは他の人に役立つかもしれない別の解決策です。以下のコードは、大きなデータセットから少数の行と列を選択します。列は、jubaの答えの1つとして選択されています。ただし、貼り付け機能を使用して、順番に番号が付けられた名前を持つ列のセットを選択します。

df = read.table(text = "

state county city  region  mmatrix  X1 X2 X3    A1     A2     A3      B1     B2     B3      C1      C2      C3

  1      1     1      1     111010   1  0  0     2     20    200       4      8     12      NA      NA      NA
  1      2     1      1     111010   1  0  0     4     NA    400       5      9     NA      NA      NA      NA
  1      1     2      1     111010   1  0  0     6     60     NA      NA     10     14      NA      NA      NA
  1      2     2      1     111010   1  0  0    NA     80    800       7     11     15      NA      NA      NA

  1      1     3      2     111010   0  1  0     1      2      1       2      2      2      10      20      30
  1      2     3      2     111010   0  1  0     2     NA      1       2      2     NA      40      50      NA
  1      1     4      2     111010   0  1  0     1      1     NA      NA      2      2      70      80      90
  1      2     4      2     111010   0  1  0    NA      2      1       2      2     10     100     110     120

  1      1     1      3     010010   0  0  1    10     20     10     200    200    200       1       2       3
  1      2     1      3     001000   0  0  1    20     NA     10     200    200    200       4       5       9
  1      1     2      3     101000   0  0  1    10     10     NA     200    200    200       7       8      NA
  1      2     2      3     011010   0  0  1    NA     20     10     200    200    200      10      11      12

", sep = "", header = TRUE, stringsAsFactors = FALSE)
df

df2 <- df[df$region == 2, names(df) %in% c(paste("C", seq_along(1:3), sep=''))]
df2

#    C1  C2  C3
# 5  10  20  30
# 6  40  50  NA
# 7  70  80  90
# 8 100 110 120
1
Mark Miller