按重复次数对数据框进行子集化

Question

如果我有一个这样的数据框：

neu <- data.frame(test1 = c(1,2,3,4,5,6,7,8,9,10,11,12,13,14), 
                  test2 = c("a","b","a","b","c","c","a","c","c","d","d","f","f","f"))
neu
   test1 test2
1      1     a
2      2     b
3      3     a
4      4     b
5      5     c
6      6     c
7      7     a
8      8     c
9      9     c
10    10     d
11    11     d
12    12     f
13    13     f
14    14     f

我希望只选择那些因子水平中出现次数超过三次的值，比如说test2，最快的方法是什么？

非常感谢，之前的问题没有找到合适的答案。

- Miri Putzig

Answer 1

使用以下方法查找行：

z <- table(neu$test2)[table(neu$test2) >= 3] # repeats greater than or equal to 3 times

或者：

z <- names(which(table(neu$test2)>=3))

然后使用以下子集：

subset(neu, test2 %in% names(z))

或者：

neu[neu$test2 %in% names(z),]

- Thomas

---

为什么要使用 as.list？为什么要使用两个 table(.)？最好不要使用 subset。 - Arun

请参见上面的替代策略。 - Thomas

@PatrickT subset 使用非标准评估，因此可能会产生意外结果。例如，如果您在函数内部使用它，它通常不会正常工作或根本不起作用。最好的建议是对于所有提取都使用 [。 - Thomas

@PatrickT，当时我可能受到了这篇文章的影响。虽然那里有一些有效的观点，但只要你知道自己在做什么，我就不认为没有使用的理由。现在我倾向于避免建议“永远不要使用这个/那个”。 - Arun

谢谢你的链接，@Arun。听起来很可怕！你提供的问题/答案很好。 - PatrickT

Answer 2

这里还有另一种方法：

 with(neu, neu[ave(seq(test2), test2, FUN=length) > 3, ])

#   test1 test2
# 5     5     c
# 6     6     c
# 8     8     c
# 9     9     c

- Matthew Plourde

---

+1 这对我来说是目前为止最好的基础解决方案。 - Arun

Answer 3

我会使用plyr包中的count函数来进行计数：

library(plyr)
count_result = count(neu, "test2")
matching = with(count_result, test2[freq > 3])
with(neu, test1[test2 %in% matching])
[1] 5 6 8 9

- Paul Hiemstra

Answer 4

更好的扩展性，使用 data.table 的方式:

library(data.table)
dt = data.table(neu)

dt[dt[, .I[.N >= 3], by = test2]$V1]

注意：希望未来以下更简单的语法将成为执行此操作的快速方式：

dt[, .SD[.N >= 3], by = test2]

（参见data.table下的按组子集）

- eddi