Cómo combinar múltiples condiciones para filtrar un data frame usando "OR”

Problema

Queremos filtrar un data frame basándonos en múltiples condiciones usando el operador "O". En nuestro ejemplo filtraremos aquellas filas del data frame donde la v1 sea menor que 0.5 o donde v2 sea igual a g.

Data frame original

           v1 v2
1  0.26550866  a
2  0.37212390  b
3  0.57285336  c
4  0.90820779  d
5  0.20168193  e
6  0.89838968  f
7  0.94467527  g
8  0.66079779  h
9  0.62911404  i
10 0.06178627  j

Resultado esperado

          v1 v2
1 0.26550866  a
2 0.37212390  b
3 0.20168193  e
4 0.94467527  g
5 0.06178627  j

set.seed(1)
df <- data.frame(v1 = runif(10), v2 = letters[1:10])

Solución

Hay múltiples opciones:

• Funciones del paquete base

subset(df , v1 < 0.5 | v2 == "g")
df[which(df$v1 < 0.5 | df$v2 == "g"), ]

• Operatores [ y [[

df[df[1] < 0.5 | df[2] == "g", ] 
df[df[[1]] < 0.5 | df[[2]] == "g", ] 
df[df["v1"] < 0.5 | df["v2"] == "g", ]

df$name is equivalent to df[["name", exact = FALSE]]

• dplyr

library(dplyr)
filter(df, v1 < 0.5 | v2 == "g")

• sqldf

library(sqldf)
sqldf('SELECT *
      FROM df 
      WHERE v1 < 0.5 OR v2 = "g")

Referencias

• stackoverflow

How to combine multiple conditions to subset a data frame using “OR”?

Problem

We want to subset a data frame based on multiple conditions using "OR". In our example we want to subset the data frame to include all rows where v1 is less than 0.5 or rows where v2 is equal to g.

Original data frame

           v1 v2
1  0.26550866  a
2  0.37212390  b
3  0.57285336  c
4  0.90820779  d
5  0.20168193  e
6  0.89838968  f
7  0.94467527  g
8  0.66079779  h
9  0.62911404  i
10 0.06178627  j

Expected output

          v1 v2
1 0.26550866  a
2 0.37212390  b
3 0.20168193  e
4 0.94467527  g
5 0.06178627  j

set.seed(1)
df <- data.frame(v1 = runif(10), v2 = letters[1:10])

Solution

There are multiple options:

• Base functions

subset(df , v1 < 0.5 | v2 == "g")
df[which(df$v1 < 0.5 | df$v2 == "g"), ]

• Operators [ and [[

df[df[1] < 0.5 | df[2] == "g", ] 
df[df[[1]] < 0.5 | df[[2]] == "g", ] 
df[df["v1"] < 0.5 | df["v2"] == "g", ]

df$name is equivalent to df[["name", exact = FALSE]]

• dplyr

library(dplyr)
filter(df, v1 < 0.5 | v2 == "g")

• sqldf

library(sqldf)
sqldf('SELECT *
      FROM df 
      WHERE v1 < 0.5 OR v2 = "g")

References

• stackoverflow

Descartar variables de un data frame por su nombre

Problema

Deseamos excluir variables de un data frame de acuerdo a su nombre. En nuestro ejemplo usamos el data frame iris, y queremos descartar las variables Sepal.Length y Petal.Width.

head(iris)

  Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1          5.1         3.5          1.4         0.2  setosa
2          4.9         3.0          1.4         0.2  setosa
3          4.7         3.2          1.3         0.2  setosa
4          4.6         3.1          1.5         0.2  setosa
5          5.0         3.6          1.4         0.2  setosa
6          5.4         3.9          1.7         0.4  setosa

Soluciones

Hay múltiples opciones.

Paquete base

# Opción 1
iris[, -which(names(iris) %in% c("Sepal.Length", "Petal.Width"))]
# Opción 2
iris[ , !names(iris) %in% c("Sepal.Length","Petal.Width")]
# Opción 3
subset(iris, select = -c(Sepal.Length, Petal.Width)) 

dplyr

library(dplyr)
iris %>% select(-c(Sepal.Length, Petal.Width))

data.table

library(data.table)
DT = as.data.table(iris)
DT[ , !names(DT) %in% c("Sepal.Length", "Petal.Width"), with = FALSE]
# Otra opción
subset(DT, select=-c(Sepal.Length, Petal.Width)) 

Resultado

Las tres variables restantes. Solamente mostramos las 6 primeras filas

  Sepal.Width Petal.Length Species
1         3.5          1.4  setosa
2         3.0          1.4  setosa
3         3.2          1.3  setosa
4         3.1          1.5  setosa
5         3.6          1.4  setosa
6         3.9          1.7  setosa

Notas

Hay diferencias sutiles entre la primera opción con el paquete base -which y la segunda con la función !. Si con -which especificamos nombres que no encuentra en el data frame devolverá un data frame vacío con cero columnas. Mientras que si sucede lo mismo con !, devolverá el data frame original sin modificar.

La sintaxis con dplyr es bastante sencilla. Con data.table es muy similar a las utilizadas con el paquete base. No obstante, es necesario especificar el argumento with = FALSE o devolverá un vector lógico. También podemos emplear con data.table la función subset.

Entradas relacionadas

Referencias

• stackoveflow