Suelte las columnas del marco de datos por nombre

Tengo varias columnas que me gustaría eliminar de un marco de datos. Sé que podemos eliminarlos individualmente usando algo como:

df$x <- NULL

Pero esperaba hacer esto con menos comandos.

Además, sé que podría soltar columnas usando una indexación de enteros como esta:

df <- df[ -c(1, 3:6, 12) ]

Pero me preocupa que la posición relativa de mis variables pueda cambiar.

Dado lo poderoso que es R, pensé que podría haber una mejor manera que soltar cada columna una por una.

Puede usar una lista simple de nombres:

DF <- data.frame(
  x=1:10,
  y=10:1,
  z=rep(5,10),
  a=11:20
)
drops <- c("x","z")
DF[ , !(names(DF) %in% drops)]

O, alternativamente, puede hacer una lista de los que desea conservar y hacer referencia a ellos por su nombre:

keeps <- c("y", "a")
DF[keeps]

EDITAR: Para aquellos que aún no están familiarizados con el dropargumento de la función de indexación, si desea mantener una columna como marco de datos, debe:

keeps <- "y"
DF[ , keeps, drop = FALSE]

drop=TRUE(o no mencionarlo) eliminará dimensiones innecesarias y, por lo tanto, devolverá un vector con los valores de la columna y.

También está el subsetcomando, útil si sabe qué columnas desea:

df <- data.frame(a = 1:10, b = 2:11, c = 3:12)
df <- subset(df, select = c(a, c))

ACTUALIZADO después del comentario de @hadley: Para colocar las columnas a, c, podría hacer:

df <- subset(df, select = -c(a, c))

within(df, rm(x))

es probablemente la más fácil, o para múltiples variables:

within(df, rm(x, y))

O si está tratando con data.tables (según ¿Cómo elimina una columna por nombre en data.table? ):

dt[, x := NULL]   # Deletes column x by reference instantly.

dt[, !"x"]   # Selects all but x into a new data.table.

o para múltiples variables

dt[, c("x","y") := NULL]

dt[, !c("x", "y")]

Podrías usar %in%así:

df[, !(colnames(df) %in% c("x","bar","foo"))]

list (NULL) también funciona:

dat <- mtcars
colnames(dat)
# [1] "mpg"  "cyl"  "disp" "hp"   "drat" "wt"   "qsec" "vs"   "am"   "gear"
# [11] "carb"
dat[,c("mpg","cyl","wt")] <- list(NULL)
colnames(dat)
# [1] "disp" "hp"   "drat" "qsec" "vs"   "am"   "gear" "carb"

Si desea eliminar las columnas por referencia y evitar la copia interna asociada con data.frames , puede usar el data.tablepaquete y la función:=

Puede pasar los nombres de un vector de caracteres al lado izquierdo del := operador, y NULLcomo el RHS.

library(data.table)

df <- data.frame(a=1:10, b=1:10, c=1:10, d=1:10)
DT <- data.table(df)
# or more simply  DT <- data.table(a=1:10, b=1:10, c=1:10, d=1:10) #

DT[, c('a','b') := NULL]

Si desea predefinir los nombres como vector de caracteres fuera de la llamada a [, ajuste el nombre del objeto en ()o{} forzar la evaluación del LHS en el alcance de la llamada, no como un nombre dentro del alcance de DT.

del <- c('a','b')
DT <- data.table(a=1:10, b=1:10, c=1:10, d=1:10)
DT[, (del) := NULL]
DT <-  <- data.table(a=1:10, b=1:10, c=1:10, d=1:10)
DT[, {del} := NULL]
# force or `c` would also work.   

También puede usar set, lo que evita la sobrecarga de [.data.table, y también funciona para data.frames!

df <- data.frame(a=1:10, b=1:10, c=1:10, d=1:10)
DT <- data.table(df)

# drop `a` from df (no copying involved)

set(df, j = 'a', value = NULL)
# drop `b` from DT (no copying involved)
set(DT, j = 'b', value = NULL)

Existe una estrategia potencialmente más poderosa basada en el hecho de que grep () devolverá un vector numérico. Si tiene una larga lista de variables como yo en uno de mi conjunto de datos, algunas variables que terminan en ".A" y otras que terminan en ".B" y solo desea las que terminan en ".A" (junto con todas las variables que no coinciden con ninguno de los patrones, haga esto:

dfrm2 <- dfrm[ , -grep("\\.B$", names(dfrm)) ]

Para el caso en cuestión, utilizando el ejemplo de Joris Meys, podría no ser tan compacto, pero sería:

DF <- DF[, -grep( paste("^",drops,"$", sep="", collapse="|"), names(DF) )]

Otra dplyrrespuesta Si sus variables tienen alguna estructura de nombres común, puede intentarlo starts_with(). Por ejemplo

library(dplyr)
df <- data.frame(var1 = rnorm(5), var2 = rnorm(5), var3 = rnorm (5), 
                 var4 = rnorm(5), char1 = rnorm(5), char2 = rnorm(5))
df
#        var2      char1        var4       var3       char2       var1
#1 -0.4629512 -0.3595079 -0.04763169  0.6398194  0.70996579 0.75879754
#2  0.5489027  0.1572841 -1.65313658 -1.3228020 -1.42785427 0.31168919
#3 -0.1707694 -0.9036500  0.47583030 -0.6636173  0.02116066 0.03983268
df1 <- df %>% select(-starts_with("char"))
df1
#        var2        var4       var3       var1
#1 -0.4629512 -0.04763169  0.6398194 0.75879754
#2  0.5489027 -1.65313658 -1.3228020 0.31168919
#3 -0.1707694  0.47583030 -0.6636173 0.03983268

Si desea soltar una secuencia de variables en el marco de datos, puede usar :. Por ejemplo, si quisiera eliminar var2, var3y todas las variables intermedias, simplemente le quedaría var1:

df2 <- df1 %>% select(-c(var2:var3) )  
df2
#        var1
#1 0.75879754
#2 0.31168919
#3 0.03983268

Otra posibilidad:

df <- df[, setdiff(names(df), c("a", "c"))]

o

df <- df[, grep('^(a|c)$', names(df), invert=TRUE)]

DF <- data.frame(
  x=1:10,
  y=10:1,
  z=rep(5,10),
  a=11:20
)
DF

Salida:

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

DF[c("a","x")] <- list(NULL)

Salida:

        y z
    1  10 5
    2   9 5
    3   8 5
    4   7 5
    5   6 5
    6   5 5
    7   4 5
    8   3 5    
    9   2 5
    10  1 5

Solución Dplyr

Dudo que esto reciba mucha atención aquí, pero si tiene una lista de columnas que desea eliminar y desea hacerlo en una dplyrcadena que uso one_of()en la selectcláusula:

Aquí hay un ejemplo simple y reproducible:

undesired <- c('mpg', 'cyl', 'hp')

mtcars <- mtcars %>%
  select(-one_of(undesired))

La documentación se puede encontrar ejecutando ?one_ofo aquí:

http://genomicsclass.github.io/book/pages/dplyr_tutorial.html

Por interés, esto señala una de las extrañas inconsistencias de sintaxis múltiple de R. Por ejemplo, dado un marco de datos de dos columnas:

df <- data.frame(x=1, y=2)

Esto da un marco de datos

subset(df, select=-y)

pero esto da un vector

df[,-2]

Todo esto se explica ?[pero no es exactamente el comportamiento esperado. Bueno, al menos no para mí ...

Aquí hay una dplyrmanera de hacerlo:

#df[ -c(1,3:6, 12) ]  # original
df.cut <- df %>% select(-col.to.drop.1, -col.to.drop.2, ..., -col.to.drop.6)  # with dplyr::select()

Me gusta esto porque es intuitivo para leer y comprender sin anotaciones y robusto para que las columnas cambien de posición dentro del marco de datos. También sigue el idioma vectorizado que se usa -para eliminar elementos.

Sigo pensando que debe haber un idioma mejor, pero para restar columnas por nombre, tiendo a hacer lo siguiente:

df <- data.frame(a=1:10, b=1:10, c=1:10, d=1:10)

# return everything except a and c
df <- df[,-match(c("a","c"),names(df))]
df

Hay una función llamada dropNamed()en el BBmiscpaquete de Bernd Bischl que hace exactamente esto.

BBmisc::dropNamed(df, "x")

La ventaja es que evita repetir el argumento del marco de datos y, por lo tanto, es adecuado para conectar magrittr(al igual que los dplyrenfoques):

df %>% BBmisc::dropNamed("x")

Otra solución si no desea utilizar @ hadley's arriba: si "COLUMN_NAME" es el nombre de la columna que desea colocar:

df[,-which(names(df) == "COLUMN_NAME")]

Más allá de lo select(-one_of(drop_col_names))demostrado en respuestas anteriores, hay un par de otras dplyropciones para colocar columnas select()que no implican la definición de todos los nombres de columna específicos (usando los datos de muestra dplyr starwars para alguna variedad en los nombres de columna):

library(dplyr)
starwars %>% 
  select(-(name:mass)) %>%        # the range of columns from 'name' to 'mass'
  select(-contains('color')) %>%  # any column name that contains 'color'
  select(-starts_with('bi')) %>%  # any column name that starts with 'bi'
  select(-ends_with('er')) %>%    # any column name that ends with 'er'
  select(-matches('^f.+s$')) %>%  # any column name matching the regex pattern
  select_if(~!is.list(.)) %>%     # not by column name but by data type
  head(2)

# A tibble: 2 x 2
homeworld species
  <chr>     <chr>  
1 Tatooine  Human  
2 Tatooine  Droid 

Si necesita descartar una columna que puede o no existir en el marco de datos, aquí hay un pequeño giro select_if()que, a diferencia del uso one_of(), no arrojará una Unknown columns:advertencia si el nombre de la columna no existe. En este ejemplo, 'bad_column' no es una columna en el marco de datos:

starwars %>% 
  select_if(!names(.) %in% c('height', 'mass', 'bad_column'))

Proporcione el marco de datos y una cadena de nombres separados por comas para eliminar:

remove_features <- function(df, features) {
  rem_vec <- unlist(strsplit(features, ', '))
  res <- df[,!(names(df) %in% rem_vec)]
  return(res)
}

Uso :

remove_features(iris, "Sepal.Length, Petal.Width")

Encuentre el índice de las columnas que desea soltar usando which. Dé a estos índices un signo negativo ( *-1). Luego subconjunto en esos valores, lo que los eliminará del marco de datos. Esto es un ejemplo.

DF <- data.frame(one=c('a','b'), two=c('c', 'd'), three=c('e', 'f'), four=c('g', 'h'))
DF
#  one two three four
#1   a   d     f    i
#2   b   e     g    j

DF[which(names(DF) %in% c('two','three')) *-1]
#  one four
#1   a    g
#2   b    h

Si tiene una data.framememoria grande y tiene poco uso de memoria [ . . . . o rmywithin para eliminar columnas de unadata.frame , como subsetes actualmente (R 3.6.2) usando más memoria - al lado de la pista del manual para utilizar subsetde forma interactiva .

getData <- function() {
  n <- 1e7
  set.seed(7)
  data.frame(a = runif(n), b = runif(n), c = runif(n), d = runif(n))
}

DF <- getData()
tt <- sum(.Internal(gc(FALSE, TRUE, TRUE))[13:14])
DF <- DF[setdiff(names(DF), c("a", "c"))] ##
#DF <- DF[!(names(DF) %in% c("a", "c"))] #Alternative
#DF <- DF[-match(c("a","c"),names(DF))]  #Alternative
sum(.Internal(gc(FALSE, FALSE, TRUE))[13:14]) - tt
#0.1 MB are used

DF <- getData()
tt <- sum(.Internal(gc(FALSE, TRUE, TRUE))[13:14])
DF <- subset(DF, select = -c(a, c)) ##
sum(.Internal(gc(FALSE, FALSE, TRUE))[13:14]) - tt
#357 MB are used

DF <- getData()
tt <- sum(.Internal(gc(FALSE, TRUE, TRUE))[13:14])
DF <- within(DF, rm(a, c)) ##
sum(.Internal(gc(FALSE, FALSE, TRUE))[13:14]) - tt
#0.1 MB are used

DF <- getData()
tt <- sum(.Internal(gc(FALSE, TRUE, TRUE))[13:14])
DF[c("a", "c")]  <- NULL ##
sum(.Internal(gc(FALSE, FALSE, TRUE))[13:14]) - tt
#0.1 MB are used