如何用dplyr正确筛选满足多样本量条件的多维度数据框？

你的问题出在直接用向量元素比对的方式筛选，这种方式无法正确匹配site-age-year的组合关系，导致结果完全不符合预期。下面提供两种高效的解决方案：

方法一：基于连接的分步筛选 #

先构建符合所有条件的site-age-year组合集合，再用连接操作筛选原数据：

library(tidyverse)
set.seed(42)
df <- data.frame(
  site = sample(LETTERS[1:5], size = 2000, replace = TRUE),
  age  = sample(letters[1:3], size = 2000, replace = TRUE),
  year = sample(1990:1999, size = 2000, replace = TRUE)
)

# 1. 筛选出每个site-age-year组合个体数≥15的记录
valid_year_groups <- df %>% 
  count(site, age, year) %>% 
  filter(n >= 15)

# 2. 筛选出拥有至少2个有效年份的site-age组合
valid_site_age_pairs <- valid_year_groups %>% 
  count(site, age, name = "year_count") %>% 
  filter(year_count >= 2)

# 3. 得到同时满足两个条件的site-age-year组合
final_valid_combinations <- valid_year_groups %>% 
  inner_join(valid_site_age_pairs, by = c("site", "age"))

# 4. 从原数据中筛选符合条件的行
dfSub <- df %>% 
  semi_join(final_valid_combinations, by = c("site", "age", "year"))

方法二：分组标记式一键筛选 #

利用dplyr的分组功能，直接在原数据上标记并筛选，逻辑更紧凑：

dfSub <- df %>%
  # 标记每个site-age-year组合是否满足个体数≥15
  group_by(site, age, year) %>%
  mutate(is_valid_year = n() >= 15) %>%
  ungroup() %>%
  # 标记每个site-age组合是否拥有至少2个有效年份
  group_by(site, age) %>%
  mutate(is_valid_group = sum(is_valid_year) >= 2) %>%
  # 仅保留同时满足两个条件的行
  filter(is_valid_year & is_valid_group) %>%
  ungroup() %>%
  # 移除辅助标记列（可选操作）
  select(-is_valid_year, -is_valid_group)

两种方法都能准确满足你的筛选需求：先确保单年份的个体数达标，再确保每个站点-年龄组有足够的有效年份。

内容的提问来源于stack exchange，提问作者tnt