使用dplyr对多个行和列匹配的数据框进行子集设置

Question

我已经搜索了一段时间的这个问题的答案并没有找到这个确切的测试用例。如果在别处解决了，请接受我的道歉。

我有一个来自政府调查计划的大型数据框data生物观察（约2,500,000行，约50列）。重要的专栏是（调查的）reg（地区），species和year。

我想将数据框的子集包含在每个区域只包含每年至少发现一次的物种。 （我也需要这样做，对于每年至少发现10次的物种，但我认为解决方案是相同的。）

换句话说，我只需要筛选出species所在的行每年region也存在 - 实质上，所有行unique(year)每个species匹配unique(year)每个reg。 （只有9个区域，所以我肯定可以将数据分为9个数据帧，并重复9次过滤，但我希望只有dplyr更优雅的解决方案，我可以直接应用到data。）

谢谢！

编辑：我创建了@aichao建议的模拟数据集。

> year = c(1999,2000,2000,2004,2004,2008) 
> reg = c('ai','ci','ci','ai','ai','ci') 
> species = c('blueei','greenei','yellowei','blueei','greenei','yellowei') 
> df <- data.frame(year, reg, species) 
> df 
    year reg species 
1 1999 ai blueei 
2 2000 ci greenei 
3 2000 ci yellowei 
4 2004 ai blueei 
5 2004 ai greenei 
6 2008 ci yellowei 

所以在这种自由度，我想只保留所发现的每一个区域进行了调查时间物种（让我们假装这是一个完整的数据）。从ai开始，我想保留blueei - 这是在每个调查年份发现的 - 但不是greenei。同样，在ci，我想保持yellowei但不greenei，因为greenei没有在2008年

Answer 1

您可以创建自己的原始数据帧的id变量代表区+物种对。

year = c(1999,2000,2000,2004,2004,2008) 
reg = c('ai','ci','ci','ai','ai','ci') 
species = c('blueei','greenei','yellowei','blueei','greenei','yellowei') 

df <- data.frame(year, reg, species) %>% 
mutate(ids = paste(reg, species, sep='-')) 

然后创建标识一个新的数据帧，对于每个region，的year S，year s各自species多少存在，并且其种类存在于所有年总数。

df2 <- df %>% 
group_by(reg) %>% 
mutate(n_yrs = length(unique(year))) %>% 
group_by(reg, ids) %>% 
summarize(present_yrs = length(unique(year)), 
     all_yrs  = mean(n_yrs, na.rm = T)) %>% 
filter(present_yrs == all_yrs) 

最后，过滤你的旧数据集只包括id的在df2

filter(df, ids %in% df2$ids) 

Answer 2

露面只保留所发现的每一个区域进行了调查

时间的物种，我们可以做到使用dplyr如下：

library(dplyr) 
result <- df %>% group_by(reg) %>% mutate(num.years.in.reg = length(unique(year))) %>% 
       group_by(reg,species) %>% filter(length(unique(year)) == first(num.years.in.reg)) %>% 
       select(-num.years.in.reg) %>% arrange(reg) 

注：

1. 首先，group_byreg并创建一个列num.years.in.reg，该地区被调查的数量为unique年。
2. 然后，group_by都reg和species，只保留那些species针对该species在该地区被调查的unique年数等于unique年该地区被调查的数量。这里，first只是从num.years.in.reg中检索第一个值，因为它们对于组中的所有行都是相同的。
3. 删除num.years.in.reg列并按reg对result进行排序。
4. 请注意，在过滤逻辑中，我们不需要比较唯一的年份值，只是唯一年份的数量，因为第二个分组是第一个分组的子集。也就是说，独一无二的年份将是相同的，但在第二次分组中可能比第一次少。

随着您发布的数据，该result是：

print(result) 
##Source: local data frame [4 x 3] 
##Groups: reg, species [2] 
## 
## year reg species 
## <dbl> <chr> <chr> 
##1 1999 ai blueei 
##2 2004 ai blueei 
##3 2000 ci yellowei 
##4 2008 ci yellowei