Кадр данных подмножества, основанный на количестве строк на группу

У меня есть такие данные, где какое-то "имя" встречается более трех раз:

df <- data.frame(name = c("a", "a", "a", "b", "b", "c", "c", "c", "c"), x = 1:9)

  name x
1    a 1
2    a 2
3    a 3
4    b 4
5    b 5
6    c 6
7    c 7
8    c 8
9    c 9

Я хочу разместить (отфильтровать) данные на основе количества строк (наблюдений) на каждом уровне переменной name. Если определенный уровень name встречается больше, чем, скажем, 3 раза, я хочу удалить все строки, принадлежащие этому уровню. Так что в этом примере мы отбросим наблюдения, где name == c, так как в этой группе есть строки > 3:

  name x
1    a 1
2    a 2
3    a 3
4    b 4
5    b 5

Я написал этот код, но не могу заставить его работать.

as.data.frame(table(unique(df)$name))
subset(df, name > 3)

Ответы

Ответ 1

Во-первых, две альтернативы base. Один полагается на table, а другой - на ave и length. Затем два пути data.table.

1. table

tt <- table(df$name)

df2 <- subset(df, name %in% names(tt[tt < 3]))
# or
df2 <- df[df$name %in% names(tt[tt < 3]), ]

Если вы хотите пройти шаг за шагом:

# count each 'name', assign result to an object 'tt'
tt <- table(df$name)

# which 'name' in 'tt' occur more than three times?
# Result is a logical vector that can be used to subset the table 'tt'
tt < 3

# from the table, select 'name' that occur < 3 times
tt[tt < 3]

# ...their names
names(tt[tt < 3])

# rows of 'name' in the data frame that matches "the < 3 names"
# the result is a logical vector that can be used to subset the data frame 'df'
df$name %in% names(tt[tt < 3])

# subset data frame by a logical vector
# 'TRUE' rows are kept, 'FALSE' rows are removed.
# assign the result to a data frame with a new name
df2 <- subset(df, name %in% names(tt[tt < 3]))
# or
df2 <- df[df$name %in% names(tt[tt < 3]), ]

2. ave и length

Как подсказывает @flodel:

df[ave(df$x, df$name, FUN = length) < 3, ]

3. data.table: .N и .SD:

library(data.table)
setDT(df)[, if (.N < 3) .SD, by = name]

4. data.table: .N и .I:

setDT(df)
df[df[, .I[.N < 3], name]$V1]

См. также связанные вопросы & A Подсчитайте количество наблюдений/строк на группу и добавьте результат во фрейм данных.

Ответ 2

Используя пакет dplyr:

df %>%
  group_by(name) %>%
  filter(n() < 4)

# A tibble: 5 x 2
# Groups:   name [2]
  name      x
  <fct> <int>
1 a         1
2 a         2
3 a         3
4 b         4
5 b         5

n() возвращает количество наблюдений в текущей группе, поэтому мы можем group_by назвать, а затем сохранить только те строки, которые являются частью группы, где количество строк в этой группе меньше 4.

Ответ 3

Еще одним способом использования пакета dpylr является использование функции count, а затем выполнение полусоединения с исходным фреймом данных:

library(dplyr)

df %>% 
  count(name) %>%
  filter(n <= 3) %>%
  semi_join(df, ., by = "name")