根据另一个数据框中的行作为条件，高效地过滤数据框。

Question

我有以下样本数据框：

df <- structure(list(PC1 = c(1.08553700088979, 3.0948497436612, 
-0.997456334603069, 
1.41407630966724, 0.287288941434462, -0.304145457046063, 0.0540331738096902, 
0.276994168448363, -0.178887591197422, 1.03793040779083, -0.964485366085487, 
0.781189811085296, -0.360466840689429, -2.25639643892807, 
-0.688600791894463, 
1.05031184739218, 3.30341296998208, 0.265388275042453, 0.187534314978584, 
2.58042550274586, 0.564788667016578), PC2 = c(-0.560967999647005, 
0.856204454728214, 0.720760276550347, 1.75595629874967, -0.707834522512927, 
0.891530126176209, 0.631768747109977, -0.845237959897621, 
-0.412613566320007, 
-0.159362864836617, -0.569253016944671, -0.0181844049717689, 
-0.0218393445421908, 1.86197538876216, -0.263011388351398, 
0.0582985416071711, 
1.7585346351499, 1.74997701136744, 0.723398654405442, -0.482322211724498, 
-0.240535930597667), PC3 = c(0.36287528575844, -2.01764685704277, 
-0.408829080806452, 0.97914722241214, -0.665892667247256, 
-0.242401102421392, 
0.497651711177106, 1.26726883331746, 1.27889899812577, 0.54485872382572, 
0.191895005811088, 0.381351220912963, -0.613213748902156, 
0.0685178101199476, 
0.532000414181072, 1.19230092657081, 1.48731243525717, 1.16110479193897, 
0.486880645956999, -2.69479147849705, 0.169949194117217)), row.names = c(NA, 
-21L), class = c("tbl_df", "tbl", "data.frame"))

我想根据另一个数据框 f1 中给出的关于 PC1 的条件集过滤 df 的行：

f1 <- structure(list(xmin = c(-3.59811981997059, -3.10182743100913, 
-2.8536812365284, 2.8536812365284, 3.59811981997058), xmax = 
c(-3.34997362548985, 
-2.8536812365284, -2.60553504204766, 3.10182743100912, 3.84626601445132
)), row.names = c(NA, -5L), class = c("tbl_df", "tbl", "data.frame"
))

应根据f2对PC2进行过滤。

f2 <- structure(list(xmin = c(-2.56910324629848, -2.37879930212822, 
2.56910324629848, 2.949711134639), xmax = c(-2.37879930212822, 
-2.18849535795797, 2.75940719046874, 3.14001507880926)), row.names = c(NA, 
-4L), class = c("tbl_df", "tbl", "data.frame"))

换句话说，数据框中 df 的列 PC1 中的值必须介于 -3.6 和 -3.35 之间或介于 -3.1 和 -2.85 之间，以此类推，而 PC2 的值必须介于 -2.57 和 -2.38 之间，以此类推。对于 df 的每一列，我都有一个相应的数据框告诉我如何筛选相应的列。

当然，我也可以写出条件：

df %>% filter(PC1 > -3.6 & PC1 < -3.35 | PC1 > -3.1 & PC1 < -2.85 & PC2 > -2.57 & PC2 < -2.38 ....), 

并且对每一列重复此操作。但最终我将有许多条件，这是不切实际的。

是否有更短更有效的方法？

谢谢！

- Omry Atia

---

这是基于每列相同的值吗？ - akrun

不，对于df的每一列，我都会有不同的条件集。 - Omry Atia

你能否在帖子中更新以模仿确切的问题？ - akrun

请查看更新的帖子。谢谢！ - Omry Atia

我会使用findInterval。例如，第一列的条件可能是findInterval(df$PC1,as.vector(t(f1)))%%2==1。您可以轻松地使用Map或循环等将所有条件包装起来，然后再用Reduce组合它们。 - nicola

Answer 1

使这个工作正常运转的一种方法是使用glue、eval和parse函数。

我创建了一个函数(my_conditions)，使其更易于使用。仍需要一些手动更改列名/条件表，但不像之前那么多，这也可以自动化处理。该函数调用glue包。

my_conditions <- function(column_name, condition_table){
  # create conditions
  conditions <- glue::glue("{column_name} > {condition_table$xmin} & {column_name} < {condition_table$xmax}")
  # collapse into 1 statement using " | " for or statement
  conditions <- paste0(conditions, collapse = " | ")
  return(conditions)
}

调用my_conditions("PC1", f1)的结果是一个长字符串，其中包含表格f1的所有条件。

[1] "PC1 > -3.59811981997059 & PC1 < -3.34997362548985 | PC1 > -3.10182743100913 & PC1 < -2.8536812365284 | PC1 > -2.8536812365284 & PC1 < -2.60553504204766 | PC1 > 2.8536812365284 & PC1 < 3.10182743100912 | PC1 > 3.59811981997058 & PC1 < 3.84626601445132"

使用 eval 和 parse 来解析和评估代码中的条件。

使用 dplyr：

df %>% 
  filter(eval(parse(text = my_conditions("PC1", f1))))
# A tibble: 1 x 3
    PC1   PC2   PC3
  <dbl> <dbl> <dbl>
1  3.09 0.856 -2.02

在基础R中进行筛选：只需在列名前添加表名即可。

df[eval(parse(text = my_conditions("df$PC1", f1))), ]

# A tibble: 1 x 3
    PC1   PC2   PC3
  <dbl> <dbl> <dbl>
1  3.09 0.856 -2.02

- phiver

---

似乎我误解了条件；这里的“PC2”不在“f2”范围内（“_并且 PC2 的值必须在...之间”）。 - Henrik