在dplyr中通过相同的组变量过滤两个数据帧

2023年7月7日 249次阅读

在许多情况下,在通过某些变量对数据帧进行分组之后,我想应用一个函数,该函数使用来自另一个由相同变量分组的数据帧中的数据.我找到的最佳解决方案是在函数内部使用semi_join,如下所示：

d1 <- data.frame(model = c(1,1,2,2), x = runif(4) )
d2 <- data.frame(model=c(1,1,1,2,2,2), y = runif(6) )

myfun <- function(df1, df2) {
   subsetdf2 <- semi_join(df2, df1)
   data.frame(z = sum(d1$x) - sum(subsetdf2$y)) # trivial manipulation just to exemplify
}

d1 %>% group_by(model) %>% do(myfun(., d2))

问题是semi_join返回’Joining by …’消息,并且当我使用该函数进行引导时,我收到许多崩溃控制台的消息.那么,有没有办法减少连接的冗长度？你知道更优雅的方式来做这样的事吗？

附：几年前我曾为plyr问过一个类似的问题：subset inside a function by the variables specified in ddply

最佳答案 如果您要做的只是停止’Joining by：’语句,您只需要使用by参数指定要加入的列.

例如：

semi_join(d2, d1, by="model")

编辑 – 作为使用semi_join的替代方法,您可以使用基本解决方案.由于group_by函数按组传递数据,因此可以使用简单的索引语句进行过滤.这将避免需要额外的参数.这也假设感兴趣的列是第一列.

myfun <- function(df1, df2) {
  subsetdf2 <- df2[df2[,1] %in% unique(df1[,1]),]
  data.frame(z = sum(df1$x) - sum(subsetdf2$y)) # trivial manipulation just to exemplify
}
点赞