用特定值筛选出（1）所有行和（2）任意列大于该值的子集

Question

我有一个数据框，它有一个id列和一些（可能很多）带有值的列，例如 'v1'、'v2':

df <- data.frame(id = c(1:5), v1 = c(0,15,9,12,7), v2 = c(9,32,6,17,11))
#   id v1 v2
# 1  1  0  9
# 2  2 15 32
# 3  3  9  6
# 4  4 12 17
# 5  5  7 11

1. 如何提取所有值均大于某个特定值（比如10）的行？

   #   id v1 v2
   # 2  2 15 32
   # 4  4 12 17
   

2. 如何提取至少有一个值大于10的行：

#   id v1 v2
# 2  2 15 32
# 4  4 12 17
# 5  5  7 11

- Rock

Answer 1

请查看函数all()和any()，分别回答你问题的第一部分和第二部分。可以使用apply()函数在行或列上运行函数（MARGIN=1是行，MARGIN=2是列等等）。请注意，在进行比较时，我使用apply()在df[, -1]上忽略了id变量。

> df <- data.frame(id=c(1:5), v1=c(0,15,9,12,7), v2=c(9,32,6,17,11))
> df[apply(df[, -1], MARGIN = 1, function(x) all(x > 10)), ]
  id v1 v2
2  2 15 32
4  4 12 17

第二部分：

> df[apply(df[, -1], MARGIN = 1, function(x) any(x > 10)), ]
  id v1 v2
2  2 15 32
4  4 12 17
5  5  7 11

为了查看发生了什么，x > 10 对于每一行返回一个逻辑向量（通过 apply()），指示每个元素是否大于10。all() 如果输入向量的所有元素都是 TRUE 则返回 TRUE，否则返回 FALSE。如果输入中有任何一个元素为 TRUE，则 any() 返回 TRUE，如果所有元素都是 FALSE，则返回 FALSE。我随后使用来自 apply() 调用的逻辑向量。

> apply(df[, -1], MARGIN = 1, function(x) all(x > 10))
[1] FALSE  TRUE FALSE  TRUE FALSE
> apply(df[, -1], MARGIN = 1, function(x) any(x > 10))
[1] FALSE  TRUE FALSE  TRUE  TRUE

对数据框 df 进行子集取值（如上所示）。

- Gavin Simpson

Answer 2

这可以通过使用带有margin 1的apply来实现，该函数将对每行应用一个函数。检查特定行的函数如下：

function(row) {all(row > 10)}

因此提取行本身的方法是：

df[apply(df, 1, function(row) {all(row > 10)}),]

- bnaul

---

等等，你想要执行 all(row[-1] > 10) 而不是考虑 id 列。或者在 df[-1] 上应用该函数。 - flodel

Answer 3

一种选项是逐行循环（例如使用apply），并使用any或all，就像其他两个答案中提出的那样。然而，这对于大型数据框来说可能效率低下。

矢量化方法是使用rowSums确定每行匹配您条件的值的数量，并基于此进行过滤。

（1）当过滤到所有值都至少为10的行时，这与过滤到行中小于或等于10的值的数量为0的情况相同：

df[rowSums(df[,-1] <= 10) == 0,]
#   id v1 v2
# 2  2 15 32
# 4  4 12 17

(2) 同样的，rowSums 可以轻松地用于计算行中任何（至少一个）值大于10的情况：

df[rowSums(df[,-1] > 10) > 0,]
#   id v1 v2
# 2  2 15 32
# 4  4 12 17
# 5  5  7 11

当输入更大时，加速效果更为明显：

set.seed(144)
df <- matrix(sample(c(1, 10, 20), 3e6, replace=TRUE), ncol=3)
system.time(df[apply(df[, -1], MARGIN = 1, function(x) all(x > 10)), ])
#    user  system elapsed 
#   1.754   0.156   2.102 
system.time(df[rowSums(df[,-1] <= 10) == 0,])
#    user  system elapsed 
#    0.04    0.01    0.05 

- josliber

Answer 4

dplyr的等效方法如下：

library(dplyr)

#ANY
df %>% rowwise() %>%
  filter(any(across(starts_with("v"), ~ sum((. > 10)))))
# A tibble: 3 x 3
# Rowwise: 
     id    v1    v2
  <int> <dbl> <dbl>
1     2    15    32
2     4    12    17
3     5     7    11


#ALL
df %>% rowwise() %>%
  filter(all(across(starts_with("v"), ~ sum((. > 10)))))

# A tibble: 2 x 3
# Rowwise: 
     id    v1    v2
  <int> <dbl> <dbl>
1     2    15    32
2     4    12    17

- AnilGoyal