如何在R中基于指定值占比阈值移除data.frame列？

有一个20行3列的R数据框df1，生成代码如下：

set.seed(123)
df1 <- 
data.frame(
  x = sample(1:6, 20, replace = T),
  y = sample(1:6, 20, replace = T),
  z = sample(1:6, 20, replace = T)
)

具体数据：

x y z
1  3 1 4
2  6 5 5
3  3 3 5
4  2 2 3
5  2 2 6
6  6 1 1
7  3 6 2
8  5 3 5
9  4 4 5
10 6 6 4
11 6 1 5
12 1 3 2
13 2 5 1
14 3 4 1
15 5 2 3
16 3 5 1
17 3 1 6
18 1 1 5
19 4 2 1
20 1 3 2

需求：编写函数，识别出指定标量或向量出现占比达到或超过阈值的列，用dplyr的select(where())移除这些列。例如指定标量为6、阈值≥0.2时，x列中6的出现占比为0.2，应被移除，最终保留y、z列。

原尝试的循环代码存在问题，无法得到预期结果，代码如下：

drop_columns    <- c()
drop_threshold  <- 0.2

for (cols in colnames(df1)) {
  df_count                 <- as.data.frame(table(df1[[cols]]))
  colnames(df_count)       <- c("value", "count")
  df_count$drop_percentage <- df_count$count / nrow(df1)
  df_count$drop_criterion  <- df_count$drop_percentage >= drop_threshold
  
  if (any(df_count$drop_criterion)) {
    drop_columns <- c(drop_columns, cols)
  }
}

原代码的核心问题是没有针对指定目标值进行判断，它会检查列中任意值的占比是否≥阈值，而不是用户需要的“指定值的总占比”。比如在用户的例子中，原代码会把所有存在任意值占比≥0.2的列都标记为要删除，这和需求不符。

方法1：修复循环代码 #

如果要保留循环的思路，需要修改为针对指定目标值计算占比：

library(dplyr)

target_values <- 6  # 可以是向量，比如c(6, 1)
drop_threshold <- 0.2
drop_columns <- c()

for (col in colnames(df1)) {
  # 计算当前列中目标值的总出现次数
  target_count <- sum(df1[[col]] %in% target_values)
  # 计算占比
  target_pct <- target_count / nrow(df1)
  # 判断是否达到阈值
  if (target_pct >= drop_threshold) {
    drop_columns <- c(drop_columns, col)
  }
}

# 移除指定列
df_filtered <- df1 %>% select(-all_of(drop_columns))

方法2：用dplyr的select(where())优雅实现（推荐） #

直接编写一个自定义函数，结合where()筛选需要保留的列（即目标值占比<阈值的列）：

library(dplyr)

# 定义筛选函数：输入列、目标值、阈值，返回是否保留该列
keep_col <- function(col, target, threshold) {
  sum(col %in% target) / length(col) < threshold
}

# 使用select(where())筛选
target_values <- 6
drop_threshold <- 0.2

df_filtered <- df1 %>% 
  select(where(~ keep_col(.x, target_values, drop_threshold)))

验证结果 #

针对用户的例子，运行上述代码后，df_filtered会保留y、z列，符合预期：

> df_filtered
   y z
1  1 4
2  5 5
3  3 5
4  2 3
5  2 6
6  1 1
7  6 2
8  3 5
9  4 5
10 6 4
11 1 5
12 3 2
13 5 1
14 4 1
15 2 3
16 5 1
17 1 6
18 1 5
19 2 1
20 3 2

内容的提问来源于stack exchange，提问作者johnny_gillette