r - 在具有列表列的数据帧上使用 setdiff
问题描述
如果data.frames包含列表列,是否有一个R函数来获取一个data.frame中但不在另一个data.frame中的行?我知道 dplyr::setdiff 将在常规 data.frames 上工作,但如果我将它应用于带有列表列的 data.frame,我会收到错误消息。
list_df1 <- data.frame(x = c(1, 2, 2))
list_df1$y <- list(c("A", "B"), c("C"), c("B", "C"))
list_df2 <- data.frame(x = c(2, 3))
list_df2$y <- list(c("C"), c("D", "E"))
dplyr::setdiff(list_df1, list_df2)
#> Error: Can't join on 'y' x 'y' because of incompatible types (list / list)
目前,我一直在对两个 data.frames 中的行使用循环,并直接比较行是否相等:
in_df2 <- rep(FALSE, nrow(list_df1))
for (row_ind1 in seq_len(nrow(list_df1))) {
for (row_ind2 in seq_len(nrow(list_df2))) {
rows_equal <- all.equal(list_df1[row_ind1, ],
list_df2[row_ind2, ],
check.attributes = FALSE)
if (isTRUE(rows_equal)) {
in_df2[row_ind1] <- TRUE
break
}
}
}
list_df1[!in_df2, ]
#> x y
#> 1 1 A, B
#> 3 2 B, C
虽然给出了我正在寻找的结果,但我确信一定有更好或更有效的解决方案。
如果非列表列唯一标识结果,则 dplyr::anti_join 也是一种可能的解决方案。但在这种情况下,我只想在两个 data.frame 之间的所有条目都相同时删除行。如果我们仅在 x 列上应用 anti_join,我们不会得到我正在寻找的结果:
dplyr::anti_join(list_df1, list_df2, by = "x")
#> x y
#> 1 1 A, B
并将其应用于所有列会产生错误,只需列出 set_diff
dplr::anti_join(list_df1, list_df2)
#> Error: Can't join on 'y' x 'y' because of incompatible types (list / list)
解决方案
简短的回答是,目前 R 或 dplyr 还没有将 setdiff 应用于带有列表列的 data.frames 的能力。但是,可以实现一个比循环遍历两个 data.frame 的简单方法快得多的解决方案。
选项 1:如果不需要列表列来识别不同的行,那么 dplyr::anti_join() 是一个很好的解决方案。要加入您可以使用的所有非列表列(假设 list_df1 和 list_df2 具有相同的列名):
nonlist_setdiff <- function(list_df1, list_df2) {
nonlist_vars <- list_df1 %>%
select_if(function(x) !is.list(x)) %>%
colnames(.)
dplyr::anti_join(list_df1, list_df2, by = nonlist_vars)
}
选项 2:如果列表列需要识别不同的行,则 anti_join() 不再是一个选项。相反,您可以创建两个 data.frame 的每一行的哈希,将它们转换为字符向量。然后您可以将 setdiff 应用于字符向量。这种方法使用了 digest、dplyr 和 purrr 包:
digest_setdiff <- function(list_df1, list_df2) {
hash1 <- list_df1 %>%
purrr::transpose() %>% # Transposing helps speed up the calculations
purrr::map_chr(digest::digest, algo = "xxhash64") #use xxhash64 for speed
hash2 <- list_df2 %>%
purrr::transpose() %>%
purrr::map_chr(digest::digest, algo = "xxhash64")
only_in_df1 <- setdiff(hash1, hash2)
list_df1[hash1 %in% only_in_df1, ]
}
这种方法应该适用于所有类型的 data.frames,无论多么复杂,而且它比简单的方法要快得多。但是,它仍然比 dplyr::setdiff 和 dplyr::anti_join 命令慢得多,所以如果不需要,请不要使用它。
在您的测试输入数据上运行 digest_setdiff 会得到所需的结果:
digest_setdiff(list_df1, list_df2)
#> x y
#> 1 1 A, B
#> 3 2 B, C
推荐阅读
- postgresql - Postgresql: select from view multiple times?
- c++ - 从文件打印图形
- vue.js - activeTap 道具值不会改变,即使是道具也会改变
- gatsby - 更新 wordpress 帖子后盖茨比崩溃
- python - 获取 Pytorch - 张量值作为 python 中的整数
- c++ - 体积形状计算器
- python - 以特定的块顺序将列表转换为二维数组
- windows - 如何过滤powershell标准输出
- python - 如何提高 Affinity Propagation 问题的时间复杂度?
- hosting - 我的 netlify 应用程序不会在某些设备上显示空白屏幕,但在其他设备上很好