Añadir una columna con el min y max por grupo en R

Problema

Deseamos añadir dos columnas con el mínimo y máximo de la columna old.var para cada grupo de la columna id: 1, 2 y 3.

  id old.var
1  1       1
2  1       2
3  1       3
4  2       5
5  2       7
6  2       9
7  2      11
8  3       3
9  3       4

Datos originales

df <- structure(list(id = c(1L, 1L, 1L, 2L, 2L, 2L, 2L, 3L, 3L), old.var = c(1L, 
2L, 3L, 5L, 7L, 9L, 11L, 3L, 4L)), .Names = c("id", "old.var"
), class = "data.frame", row.names = c(NA, -9L))

Solución

Paquete base

df$min.var <- ave(df$old.var, df$id, FUN = min)
df$max.var <- ave(df$old.var, df$id, FUN = max)

Paquete dplyr

library(dplyr)
df %>% 
  group_by(id) %>%
  mutate(min.var = min(old.var), max.var = max(old.var))

  id old.var min.var max.var
1  1       1       1       3
2  1       2       1       3
3  1       3       1       3
4  2       5       5      11
5  2       7       5      11
6  2       9       5      11
7  2      11       5      11
8  3       3       3       4
9  3       4       3       4

Referencias

• stackoveflow

Filtrar filas de un data frame en función de múltiples condiciones en R

Problema

Queremos filtrar el siguiente data frame, conservando aquellas filas que contengan el valor 123 o 321.

  Index odx1 odx2 odx3 odx4 odx5
1     1  123    0    0    0    0
2     2    0  321    0    0    0
3     3    0    0    0  123    0
4     4    0  321    0    0    0
5     5    0    0    0    0    0

Datos originales

df <- structure(list(Index = 1:5, odx1 = c(123L, 0L, 0L, 0L, 0L), odx2 = c(0L, 
321L, 0L, 321L, 0L), odx3 = c(0L, 0L, 0L, 0L, 0L), odx4 = c(0L, 
0L, 123L, 0L, 0L), odx5 = c(0L, 0L, 0L, 0L, 0L)), .Names = c("Index", 
"odx1", "odx2", "odx3", "odx4", "odx5"), class = "data.frame", row.names = c(NA, 
-5L))

Solución

Paquete base

df[apply(df, 1, function(x) {any(x == 123| x == 321)}),]

Paquete dplyr

library(dplyr)
filter(df, rowSums(mutate_each(df, funs(. %in% c(123, 321)))) >= 1L)

Con mutate creamos una matriz de valores lógicos que evaluamos con rowSums.

mutate_each(df, funs(. %in% c(123, 321)))

  Index odx1 odx2 odx3 odx4 odx5
1     1  123    0    0    0    0
2     2    0  321    0    0    0
3     3    0    0    0  123    0
4     4    0  321    0    0    0

Referencias

• stackoveflow

Convertir de formato largo a ancho con la función unstack en R

Problema

Deseamos transformar un data frame de formato largo a ancho. Partimos del siguiente data frame:

        name numbers      value
1  firstName       1 -0.3016990
2  firstName       2  0.4782982
3  firstName       3 -0.3274221
4  firstName       4  0.8950889
5 secondName       1 -1.3476795
6 secondName       2 -0.4671124
7 secondName       3 -1.0883609
8 secondName       4  1.8702156

Y queremos llegar a este otra. Con name como nombres de filas, cuatro columnas basadas en numbers y como valores, values.

                  X1         X2         X3        X4
firstName  -0.301699  0.4782982 -0.3274221 0.8950889
secondName -1.347680 -0.4671124 -1.0883609 1.8702156

Datos originales

dat1 <- structure(list(name = structure(c(1L, 1L, 1L, 1L, 2L, 2L, 2L, 
2L), .Label = c("firstName", "secondName"), class = "factor"), 
    numbers = c(1L, 2L, 3L, 4L, 1L, 2L, 3L, 4L), value = c(-0.301698990300544, 
    0.47829821507312, -0.327422119821659, 0.895088877410118, 
    -1.3476795169412, -0.467112422933039, -1.08836089961649, 
    1.87021564288651)), .Names = c("name", "numbers", "value"
), row.names = c(NA, -8L), class = "data.frame")

Solución

Paquete base

Empleamos la función unstack para transformar de formato largo a ancho. En el primer argumento, indicamos el data frame, en el argumento form una fórmula, a la izquierda de ~ el vector que deseamos desapilar —unstack— (value) y a la derecha los grupos que queremos crear (numbers). Finalmente, renombramos los nombres de las filas.

df <- unstack(dat1, form = value ~ numbers)
rownames(df) <- unique(dat1$name)
df

                  X1         X2         X3        X4
firstName  -0.301699  0.4782982 -0.3274221 0.8950889
secondName -1.347680 -0.4671124 -1.0883609 1.8702156

Entradas relacionadas

• Convertir de formato largo a ancho usando una función de agregación en R
• Tablas de contingencia en R
• Transformar tabla de contingencia en tabla de de frecuencias

Referencias

• stackoveflow

Muestra aleatoria basada en una columna en R

Problema

Queremos extraer del siguiente data frame una muestra aleatoria basada en la columna id, de manera que seleccionemos aleatoriamente dos ids y extraigamos todas las filas asociadas a los mismos. Por ejemplo, si seleccionamos aleatoriamente los ids 1 y 2, el resultado debería incluir las tres primeras filas.

  id     date      date2
1  1 23-01-08 2008-01-23
2  1 01-11-07 2007-11-01
3  2 30-11-07 2007-11-30
4  3 17-12-07 2007-12-17
5  3 12-12-08 2008-12-12

id<-c(1,1,2,3,3)
date<-c("23-01-08","01-11-07","30-11-07","17-12-07","12-12-08")
df<-data.frame(id,date)
df$date2<-as.Date(as.character(df$date), format = "%d-%m-%y")

Soluciones

Paquete base

a <- sample(unique(df$id), 2)
subset(df, id %in% a)

sqldf

library(sqldf)
a <- sqldf("SELECT DISTINCT id FROM df  ORDER BY RANDOM(*) LIMIT 2")
sqldf("SELECT * FROM df WHERE id IN a")

  id     date      date2
1  1 23-01-08 2008-01-23
2  1 01-11-07 2007-11-01
3  2 30-11-07 2007-11-30

Entradas relacionadas

• Eliminar de un data frame aquellas filas duplicadas en otro data frame
• Eliminar duplicados de un data frame en R
• Seleccionar con sqldf un subconjunto de filas de una columna en un data frame diferente

Referencias

• stackoverflow

Buscar el mínimo o máximo de una columna basado en una condición en Excel

Problema

Para cada pedido de la siguiente tabla queremos extraer el precio mínimo y el máximo.

Solución

Utilizamos las siguientes fórmulas matriciales en las celdas J2 y M2 de nuestro ejemplo, sin las llaves {}, y arrastramos el controlador de relleno hacia abajo. En la barra de fórmulas antes de salir, presionamos Ctrl+Mayús+Entrar para indicar que se trata de una fórmula matricial y Excel las añadirá automáticamente.

Mínimo

{=MIN(SI(H2=$A$2:$A$18;$C$2:$C$18))}

Máximo

{=MAX(SI(H2=$A$2:$A$18;$C$2:$C$18))}

Entradas relacionadas

• Calcular el valor mínimo excluyendo los ceros en Excel
• Fórmulas matriciales

Referencias

Directrices y ejemplos de fórmulas de matriz

Eliminar duplicados de un data frame basándonos en dos columnas en R

Problema

Queremos eliminar las filas duplicadas, considerando éstas como aquellas que tienen el mismo valor en las columnas col1 y col2 ignorando su orden. En el siguiente ejemplo solamente conservaríamos una fila.

  Col1 Col2 database
1    A    B   IntAct
2    A    B     Bind
3    B    A  BioGrid

df <- structure(list(Col1 = c("A", "A", "B"), Col2 = c("B", "B", "A"
), database = c("IntAct", "Bind", "BioGrid")), .Names = c("Col1", 
"Col2", "database"), class = "data.frame", row.names = c(NA, 
-3L))

Solución

Emplearemos el paquete sqldf.

Primera fila

En el caso de querer conservar la primera fila. Creamos una columna id para identificar la primera ocurrencia.

library(sqldf)
df$id <- seq.int(nrow(df))
sqldf("select col1, col2, database, min(id) id
      from (select col1, col2, database, id from df where col1 <= col2
      union all
      select col2 col1, col1 col2, database, id from df where col1 > col2) 
      group by col1, col2")

  col1 col2 database id
1    A    B   IntAct  1

Última fila

En el caso de querer conservar la última fila. En este caso el código es más conciso pues no necesitamos crear una columna para identificar la primera ocurrencia.

sqldf("select col1, col2, database 
      from (select col1, col2, database from df where col1 <= col2 
      union all 
      select col2 col1, col1 col2, database from df where col1 > col2) 
      group by col1, col2")

 col1 col2 database
1    A    B  BioGrid

Entradas relacionadas

• Eliminar de un data frame aquellas filas duplicadas en otro data frame
• Eliminar duplicados de un data frame en R
• Seleccionar con sqldf un subconjunto de filas de una columna en un data frame diferente

Referencias

• stackoverflow