[英]Excluding columns from a dataframe based on column sums
我正在研究包含社區數據的數據集,並且許多列(種類)都有很多零。 基於整列的總和,我希望能夠根據我正在進行的一些分析刪除這些列。 我很想用for循環來做這個,但我聽說當你使用R時,apply和by函數會更好。我的目標是刪除總和少於15的所有列。我用過which()
按因子刪除行,例如,
September<-which(data$Time_point=="September")
data<-data[-September,]
我嘗試刪除列的兩種方法是使用apply()
:
data<-data[,apply(data,2,function(x)sum(x<=15))]
並使用凌亂的for循環/ if else組合:
for (i in 6:length(data)){
if (sum(data[,i])<=15)
data[,i]<-NULL
else
data[,i]<-data[,i]
}
這兩種方法都沒有奏效。 當然有一種優雅的方法來擺脫基於邏輯標准的列?
str(head(data,10))
'data.frame': 10 obs. of 23 variables:
$ Core_num : Factor w/ 159 levels "152","153","154",..: 133 72 70 75 89 85 86 90 95 99
$ Cage_num : num 0 1 2 3 4 5 6 7 8 9
$ Treatment : Factor w/ 4 levels "","C","CC","NC": 1 2 2 2 2 2 2 2 2 2
$ Site : Factor w/ 10 levels "","B","B07","B08",..: 1 8 8 8 7 7 7 7 9 9
$ Time_point : Factor w/ 3 levels "","May","September": 1 2 2 2 2 2 2 2 2 2
$ Spionidae : num 108 0 0 0 0 0 0 0 0 0
$ Syllidae : num 185 0 0 0 3 8 0 1 4 1
$ Opheliidae : num 424 0 1 0 0 0 1 1 0 0
$ Cossuridae : num 164 0 7 3 0 0 0 0 0 0
$ Sternaspidae: num 214 0 0 6 1 0 11 9 0 0
$ Sabellidae : num 1154 0 2 2 0 ...
$ Capitellidae: num 256 1 10 17 0 3 0 0 0 0
$ Dorvillidae : num 21 1 0 0 0 0 0 0 0 0
$ Cirratulidae: num 17 0 0 0 0 0 0 0 0 0
$ Oligochaeta : num 3747 12 41 27 32 ...
$ Nematoda : num 410 5 4 13 0 0 0 2 2 0
$ Sipuncula : num 33 0 0 0 0 0 0 0 0 0
$ Ostracoda : num 335 0 1 0 0 0 0 0 0 0
$ Decapoda : num 62 0 4 0 1 0 0 0 0 0
$ Amphipoda : num 2789 75 17 34 89 ...
$ Copepoda : num 75 0 0 0 0 0 0 0 0 0
$ Tanaidacea : num 84 0 0 0 1 0 0 0 0 0
$ Mollusca : int 55 0 4 0 0 0 0 0 0 0
一個簡單的子集怎么樣? 首先,我們創建一個簡單的數據框架L.
R> dd = data.frame(x = runif(5), y = 20*runif(5), z=20*runif(5))
然后選擇總和大於15的列
R> dd1 = dd[,colSums(dd) > 15]
R> ncol(dd1)
[1] 2
在您的數據集中,您只想將列6向上集合,因此類似於:
##Drop the first five columns
dd[,colSums(dd[,6:ncol(dd)]) > 15]
要么
#Keep the first six columns
cols_to_drop = c(rep(TRUE, 5), dd[,6:ncol(dd)]>15)
dd[,cols_to_drop]
應該管用。
需要注意的關鍵部分是在方括號中,我們需要一個邏輯向量,即一個TRUE和FALSE的向量。 因此,如果您想使用更復雜的東西進行子集化,那么創建一個像往常一樣返回TRUE或FALSE和子集的函數。
您應該能夠使用boolean和colSums()
直接索引data.frame。 例如:
set.seed(123)
dat <- data.frame(var1 = runif(10), var2 = rnorm(10), var3 = rlnorm(10))
colSums(dat)
#-----
var1 var2 var3
5.782475 1.317914 12.91987
#Let's set the threshold at 5, so we should get var1 and var3
> dat[, colSums(dat) > 5]
#-----
var1 var3
1 0.2875775 5.9709924
2 0.7883051 1.6451811
3 0.4089769 0.1399294
...
set.seed(123)
dat <- data.frame(var1 = runif(10), var2 = rnorm(10), var3 = rlnorm(10), var4 = "notNumeric")
require(plyr)
dat[, -which(numcolwise(sum)(dat) < 5)]
Consolec:/ documents and settings / charles / desktop /
> dat[, -which(numcolwise(sum)(dat) < 5)]
var1 var3 var4
1 0.2875775 5.9709924 notNumeric
2 0.7883051 1.6451811 notNumeric
3 0.4089769 0.1399294 notNumeric
.....
這將返回不包含所有零的列,包括因子和字符列(我只讀取數據的第一個rowchunky事物):
讀入您的一些數據:
dat <- read.table(text=" Core_num Cage_num Treatment Site Time_point Spionidae Nereididae Syllidae Opheliidae
6 24 1 C M2 May 0 0 0 0
4 22 2 C M2 May 0 0 0 1
9 27 3 C M2 May 0 0 0 0
23 41 4 C M May 0 0 3 0
19 37 5 C M May 0 0 8 0
20 38 6 C M May 0 0 0 1", header=T)
編碼:
summer <- function(x){
if(is.numeric(x)){
sum(x) > 15
} else {
TRUE
}
}
dat[, sapply(dat, summer)]
我剛遇到同樣的問題。 這是使用Tidyverse的解決方案,如果您同時擁有數字和非數字列:
library(tidyverse)
set.seed(123)
dat <- data.frame(var1 = runif(10), var2 = rnorm(10), var3 = rlnorm(10), var4 = "notNumeric", var5 =0, var6 = FALSE )
dat %>%
select_if(negate(function(col) is.numeric(col) && sum(col) < 15))
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.