基于center列过滤多个data frame并拆分保存的R语言问题

问题描述 #

我有3个均包含center列的data frame，该列有6种不同取值，需要基于这些取值分组并保存为不同的data frame。其中一个data frame的结构如下：

structure(list(NR = c("DBD-0006", "DBD-0057", 
"DBD-0095", "GHP-0169", "GHP-0237", "NNB-0243", "NNB-0303", 
"NNB-0306", "NNB-0359", "NNB-0364"), DATE = c("13-07-2011", 
"15-12-2010", "09-03-2011", "14-09-2011", "30-06-2010", "16-05-2016", 
"04-07-2012", "11-07-2012", "05-12-2012", "12-12-2012"), CODE= c("1", 
"1", "1", "1", "1", "1", "1", "1", "1", "1"), DATE2 = c("18-07-2011", 
"15-12-2010", "09-03-2011", "14-09-2011", "05-01-2012", "11-05-2016", 
"05-07-2012", "11-07-2012", "06-12-2012", "12-12-2012"), type = c("YY.90.01", 
"50.19", "50.37", "50.37", "50.37", "YY.90.00", 
"50.37", "YY.50.01", "YY.82.01", "YY.50.02"), center = c("DBD", 
"DBD", "DBD", "GHP", "GHP", "NNB", "NNB", "NNB", "NNB", 
"NNB")), row.names = c(NA, -10L), class = c("tbl_df", "tbl", 
"data.frame"))

另外两个data frame的行列数不同，但center和NR（唯一标识列）为所有data frame共有。我将这3个data frame存入列表cnt，尝试用嵌套循环实现过滤，代码如下：

output <- list ()    

for (table in names(cnt)) {                  #print(table)  df1, df2, df3
  for (name in names(cnt[[table]])) {          #print(name)  returns the variable names per df
    center_name <- c("DBD", "GHP", "NNB")    
    output[[table]] <- cnt[[table]][[name]] %>% filter(center == center_name)     
  }
}

运行后出现错误：

Error in UseMethod("filter") : 
  no applicable method for 'filter' applied to an object of class "character"

需要解决该问题，同时希望得到更简洁的非循环实现方案。

错误原因 #

内层循环for (name in names(cnt[[table]]))遍历的是单个data frame的列名，cnt[[table]][[name]]取出的是某一列的字符向量，而dplyr::filter()是用于处理data frame的函数，无法作用在字符向量上，因此报错。

解决方案 #

方案1：修复循环实现 #

去掉多余的内层循环，直接对每个data frame按center取值过滤，将每个分组结果存入嵌套列表：

library(dplyr)

# 获取所有唯一的center取值（从任意一个data frame提取即可）
all_centers <- unique(cnt[[1]]$center)
output <- list()

for (df_name in names(cnt)) {
  current_df <- cnt[[df_name]]
  # 对每个center值过滤，生成子列表
  output[[df_name]] <- lapply(all_centers, function(ct) {
    current_df %>% filter(center == ct)
  })
  # 给子列表命名，方便后续调用
  names(output[[df_name]]) <- all_centers
}

此时output是嵌套列表，output$df1$DBD就是第一个data frame中center为"DBD"的子集。

方案2：非循环的简洁实现（推荐） #

使用purrr包的函数实现批量处理，代码更简洁：

library(dplyr)
library(purrr)

# 获取所有唯一的center取值
all_centers <- unique(cnt[[1]]$center)

# 对列表中的每个data frame，按center分组拆分
output <- map(cnt, ~group_split(.x, center, .keep = TRUE))
# 给每个分组的子列表命名
output <- map(output, ~set_names(.x, all_centers))

或者如果需要按每个center值单独过滤（和循环逻辑一致）：

output <- map(cnt, function(df) {
  map(all_centers, ~filter(df, center == .x)) %>% set_names(all_centers)
})

这样处理后，output的结构和方案1完全一致，无需手动写循环，代码更易读和维护。

内容的提问来源于stack exchange，提问作者Rara