筛选包含特定字符串的行

188

我必须使用包含字符串的那些行作为标准来过滤数据帧RTB。

我正在使用dplyr。

d.del <- df %.%
  group_by(TrackingPixel) %.%
  summarise(MonthDelivery = as.integer(sum(Revenue))) %.%
  arrange(desc(MonthDelivery))

我知道我可以在其中使用该函数filter，dplyr但我不完全知道如何告诉它检查字符串的内容。

我尤其要检查列中的内容TrackingPixel。如果字符串包含标签，RTB我想从结果中删除该行。

r  filter  dplyr 
— 詹卢卡
source
27
我从没用过dplyr，但是如果?dplyr::filter我能帮忙看看，我会建议一些类似的东西filter(df, !grepl("RTB",TrackingPixel))？
— thelatemail 2014年
1
这实际上接近我想要实现的目标。唯一的问题是要维护包含标签的字符串，RTB而不显示其他字符串。
— Gianluca 2014年
我只是进行了一个隐身编辑，现在通过!在前面添加来进行反向编辑grepl-再试一次。
— thelatemail 2014年
4
或使用的invert和value参数grep。正则表达式使处理文本的操作容易上千倍。
— Rich Scriven
4
@thelatemail grepl对我而言不适用于postgres，这是MySQL吗？
— Statwonk 2014年

Answers:

254

问题的答案已经由@latemail在上面的评论中发布。您可以将正则表达式用于第二个及后续参数，filter例如：

dplyr::filter(df, !grepl("RTB",TrackingPixel))

由于您尚未提供原始数据，因此我将使用mtcars数据集添加一个玩具示例。想象一下，您只对马自达或丰田生产的汽车感兴趣。

mtcars$type <- rownames(mtcars)
dplyr::filter(mtcars, grepl('Toyota|Mazda', type))

   mpg cyl  disp  hp drat    wt  qsec vs am gear carb           type
1 21.0   6 160.0 110 3.90 2.620 16.46  0  1    4    4      Mazda RX4
2 21.0   6 160.0 110 3.90 2.875 17.02  0  1    4    4  Mazda RX4 Wag
3 33.9   4  71.1  65 4.22 1.835 19.90  1  1    4    1 Toyota Corolla
4 21.5   4 120.1  97 3.70 2.465 20.01  1  0    3    1  Toyota Corona

如果您想反过来做，即不包括丰田和马自达汽车，则filter命令如下所示：

dplyr::filter(mtcars, !grepl('Toyota|Mazda', type))
— alex23lemm
source
如果列名包含空格怎么办。例如追踪像素。
— MySchizoBuddy 2015年
3
确保您使用的是dplyr包中的过滤器功能，而不是stats包中的过滤器
— JHowIX 2015年
2
@MySchizoBuddy：如果列名包含空格，则可以使用反引号选择变量。修改上面的示例：mtcars$`my type` <- rownames(mtcars)然后mtcars %>% filter(grepl('Toyota|Mazda', `my type`))
— alex23lemm，2015年
13
请注意，当对象是tbl_sqlas 时，这将不起作用，因为as grepl不会转换为sql。
— David LeBauer
选项1是要确保dplyr最后加载。选项2是dplyr :: filter前缀。
— userJT
156

解

它是可以使用str_detect的的stringr包中包含tidyverse包。str_detect返回True或False关于指定的向量是否包含某些特定的字符串。可以使用此布尔值进行过滤。有关程序包的详细信息，请参见Stringer简介stringr。

library(tidyverse)
# ─ Attaching packages ──────────────────── tidyverse 1.2.1 ─
# ✔ ggplot2 2.2.1     ✔ purrr   0.2.4
# ✔ tibble  1.4.2     ✔ dplyr   0.7.4
# ✔ tidyr   0.7.2     ✔ stringr 1.2.0
# ✔ readr   1.1.1     ✔ forcats 0.3.0
# ─ Conflicts ───────────────────── tidyverse_conflicts() ─
# ✖ dplyr::filter() masks stats::filter()
# ✖ dplyr::lag()    masks stats::lag()

mtcars$type <- rownames(mtcars)
mtcars %>%
  filter(str_detect(type, 'Toyota|Mazda'))
# mpg cyl  disp  hp drat    wt  qsec vs am gear carb           type
# 1 21.0   6 160.0 110 3.90 2.620 16.46  0  1    4    4      Mazda RX4
# 2 21.0   6 160.0 110 3.90 2.875 17.02  0  1    4    4  Mazda RX4 Wag
# 3 33.9   4  71.1  65 4.22 1.835 19.90  1  1    4    1 Toyota Corolla
# 4 21.5   4 120.1  97 3.70 2.465 20.01  1  0    3    1  Toyota Corona

关于斯金格的好处

我们应该使用而stringr::str_detect()不是base::grepl()。这是因为以下原因。

  • stringr软件包提供的功能以前缀开头str_，这使代码更易于阅读。
  • stringr包功能的第一个参数始终是data.frame（或值），然后是参数。（谢谢Paolo）
object <- "stringr"
# The functions with the same prefix `str_`.
# The first argument is an object.
stringr::str_count(object) # -> 7
stringr::str_sub(object, 1, 3) # -> "str"
stringr::str_detect(object, "str") # -> TRUE
stringr::str_replace(object, "str", "") # -> "ingr"
# The function names without common points.
# The position of the argument of the object also does not match.
base::nchar(object) # -> 7
base::substr(object, 1, 3) # -> "str"
base::grepl("str", object) # -> TRUE
base::sub("str", "", object) # -> "ingr"

基准测试

基准测试的结果如下。对于大数据帧，str_detect速度更快。

library(rbenchmark)
library(tidyverse)

# The data. Data expo 09. ASA Statistics Computing and Graphics 
# http://stat-computing.org/dataexpo/2009/the-data.html
df <- read_csv("Downloads/2008.csv")
print(dim(df))
# [1] 7009728      29

benchmark(
  "str_detect" = {df %>% filter(str_detect(Dest, 'MCO|BWI'))},
  "grepl" = {df %>% filter(grepl('MCO|BWI', Dest))},
  replications = 10,
  columns = c("test", "replications", "elapsed", "relative", "user.self", "sys.self"))
# test replications elapsed relative user.self sys.self
# 2      grepl           10  16.480    1.513    16.195    0.248
# 1 str_detect           10  10.891    1.000     9.594    1.281
— 敬久
source
1
为什么Stringer比grep更好的选择？
— 卡梅伦·尼莫（CameronNemo）
2
@CameronNemo stringr程序包提供的功能以前缀str_开头，这使代码更易于阅读。在最新的现代R代码中，建议使用stringr。
— Keiku
3
我认为这是个人喜好，我同意@CameronNemo base R一样好stringr。如果您向我们提供一些“事实”（例如基准测试），并且不仅说明“建议”（谁推荐），我们将不胜感激。谢谢
— Tjebo '18
2
另一个原因是tidyverse框架的一致性：函数的第一个参数始终是data.frame（或值），然后是参数。
— Paolo
22

这个答案与其他答案相似，但是使用preferred stringr::str_detect和dplyr rownames_to_column。

library(tidyverse)

mtcars %>% 
  rownames_to_column("type") %>% 
  filter(stringr::str_detect(type, 'Toyota|Mazda') )

#>             type  mpg cyl  disp  hp drat    wt  qsec vs am gear carb
#> 1      Mazda RX4 21.0   6 160.0 110 3.90 2.620 16.46  0  1    4    4
#> 2  Mazda RX4 Wag 21.0   6 160.0 110 3.90 2.875 17.02  0  1    4    4
#> 3 Toyota Corolla 33.9   4  71.1  65 4.22 1.835 19.90  1  1    4    1
#> 4  Toyota Corona 21.5   4 120.1  97 3.70 2.465 20.01  1  0    3    1

由reprex软件包（v0.2.0）于2018-06-26创建。

— 荨麻
source
1
str_detect在stringr软件包中
— jsta
3

这是tidyverse使用的另一种解决方案filter_at。优点是您可以轻松地扩展到多个列。下面还有一个解决方案，filter_all以在任何列中查找字符串，diamonds以示例为例，查找字符串“ V”

library(tidyverse)

# for only one column... extendable to more than one creating a column list in `vars`!
mtcars %>% 
  rownames_to_column("type") %>% 
  filter_at(.vars= vars(type), all_vars(!grepl('Toyota|Mazda',.))) %>%
  head()
#>                type  mpg cyl  disp  hp drat    wt  qsec vs am gear carb
#> 1        Datsun 710 22.8   4 108.0  93 3.85 2.320 18.61  1  1    4    1
#> 2    Hornet 4 Drive 21.4   6 258.0 110 3.08 3.215 19.44  1  0    3    1
#> 3 Hornet Sportabout 18.7   8 360.0 175 3.15 3.440 17.02  0  0    3    2
#> 4           Valiant 18.1   6 225.0 105 2.76 3.460 20.22  1  0    3    1
#> 5        Duster 360 14.3   8 360.0 245 3.21 3.570 15.84  0  0    3    4
#> 6         Merc 240D 24.4   4 146.7  62 3.69 3.190 20.00  1  0    4    2
```

任何列中的字符串：使用filter_all

#remove all rows where any column contains 'V'
    diamonds %>% 
      filter_all(all_vars(!grepl('V',.))) %>%
      head
    #> # A tibble: 6 x 10
    #>   carat cut     color clarity depth table price     x     y     z
    #>   <dbl> <ord>   <ord> <ord>   <dbl> <dbl> <int> <dbl> <dbl> <dbl>
    #> 1  0.23 Ideal   E     SI2      61.5    55   326  3.95  3.98  2.43
    #> 2  0.21 Premium E     SI1      59.8    61   326  3.89  3.84  2.31
    #> 3  0.31 Good    J     SI2      63.3    58   335  4.34  4.35  2.75
    #> 4  0.3  Good    J     SI1      64      55   339  4.25  4.28  2.73
    #> 5  0.22 Premium F     SI1      60.4    61   342  3.88  3.84  2.33
    #> 6  0.31 Ideal   J     SI2      62.2    54   344  4.35  4.37  2.71
    #get all rows where any column contains 'V'
    diamonds %>%
    filter_all(any_vars(grepl('V',.))) %>%
      head
    #> # A tibble: 6 x 10
    #>   carat cut       color clarity depth table price     x     y     z
    #>   <dbl> <ord>     <ord> <ord>   <dbl> <dbl> <int> <dbl> <dbl> <dbl>
    #> 1 0.23  Good      E     VS1      56.9    65   327  4.05  4.07  2.31
    #> 2 0.290 Premium   I     VS2      62.4    58   334  4.2   4.23  2.63
    #> 3 0.24  Very Good J     VVS2     62.8    57   336  3.94  3.96  2.48
    #> 4 0.24  Very Good I     VVS1     62.3    57   336  3.95  3.98  2.47
    #> 5 0.26  Very Good H     SI1      61.9    55   337  4.07  4.11  2.53
    #> 6 0.22  Fair      E     VS2      65.1    61   337  3.87  3.78  2.49

<sup>Created on 2020-04-01 by the [reprex package](https://reprex.tidyverse.org) (v0.3.0)</sup>
— 杰博
source
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.