首页 文章

如何在数据框中按名称删除列

提问于
浏览 次
240

我有一个大型数据集，我想阅读特定列或删除所有其他列 .

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

我选择了我不感兴趣的列：

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

而且我想做的事情如下：

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

删除所有不需要的列 . 这是最佳解决方案吗？

r dataframe subset

10 回答

  • 1

    不要使用 -which() ，这是非常危险的 . 考虑：

    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...

    而是使用子集或 ! 函数：

    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

    我从痛苦的经历中学到了这一点 . 不要过度使用 which() ！

    回复于
  • 1

    您也可以尝试 dplyr 包：

    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
    回复于
  • 6

    这是一个快速的解决方案 . 比如，你有一个数据框X，有三列A，B和C：

    > 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

    如果我想删除一个列，比如B，只需在colnames上使用grep来获取列索引，然后可以使用该索引来省略该列 .

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

    您的新X数据框将如下所示（此时没有B列）：

    > X
  A C
1 1 5
2 2 6

    grep的美妙之处在于您可以指定与正则表达式匹配的多个列 . 如果我有五列X（A，B，C，D，E）：

    > 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

    取出B栏和D栏：

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

    编辑：考虑Matthew Lundberg在下面的评论中的grepl建议：

    > 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

    如果我尝试删除一个不存在的列，则不会发生任何事情：

    > X<-X[,!grepl("G",colnames(X))]
> X
  A C  E
1 1 5  9
2 2 6 10
    回复于
  • 40
    df2 <- df[!names(df) %in% c("c1", "c2")]
    回复于
  • 101

    我将代码更改为：

    # 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]

    无论如何，朱巴的答案是我的问题的最佳解决方案！

    回复于
  • 1

    您应该使用索引或 subset 函数 . 例如 ：

    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

    然后，您可以在列索引中使用 which 函数和 - 运算符：

    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

    或者，更简单的是，使用 subset 函数的 select 参数：然后可以直接在列名矢量上使用 - 运算符，甚至可以省略名称周围的引号！

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

    请注意，您还可以选择所需的列，而不是删除其他列：

    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
    回复于
  • -1

    由于声誉得分低，我无法在评论中回答您的问题 .

    下一个代码会给你一个错误，因为paste函数返回一个字符串

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

    这是一个可能的解决方案：

    for(i in 1:length(var.out)) {

  text_to_source <- paste0 ("data$", var.out[i], "<- NULL") # Write a line of your
                                                  # code like a character string
  eval (parse (text=text_to_source)) # Source a text that contains a code
}

    或者只是做：

    for(i in 1:length(var.out)) {
  data[var.out[i]] <- NULL
}
    回复于
  • 311

    First ，如果使用相同的数据帧，可以使用直接索引（使用布尔值向量）而不是重新访问列名;如Ista所指出的那样更安全，写入和执行速度更快 . 所以你只需要：

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

    然后，只需重新分配数据：

    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

    Second ，写入速度更快，可以直接为要删除的列分配NULL：

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

    Finally ，您可以使用subset（），但它不能真正用在代码中（甚至帮助文件也会对其进行警告） . 具体来说，问题是如果你想直接使用susbset（）的drop特性，你需要在没有引号的情况下编写与列名对应的表达式：

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

    As a bonus ，这里是不同选项的小基准，清楚地表明子集较慢，而第一个重新分配方法更快：

    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

    Code 如下：

    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)
    回复于
  • 18

    我试图在使用包 data.table 时删除一列，并得到了意想不到的结果 . 我认为以下可能值得发布 . 只是一点警示 .

    [马修编辑......]

    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

    基本上， data.table 的语法与 data.frame 不完全相同 . 实际上存在很多差异，请参阅FAQ 1.1和FAQ 2.17 . 你被警告了！

    回复于
  • 5

    这是另一种可能对其他人有帮助的解决方案 . 下面的代码从大型数据集中选择少量行和列 . 除了我使用粘贴函数选择一组名称按顺序编号的列之外，这些列在juba的答案中被选中：

    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
    回复于

相关问题