Soltar colunas do quadro de dados por nome

Eu tenho várias colunas que gostaria de remover de um quadro de dados. Eu sei que podemos excluí-los individualmente usando algo como:

df$x <- NULL

Mas eu esperava fazer isso com menos comandos.

Além disso, eu sei que eu poderia descartar colunas usando a indexação inteira como esta:

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

Mas estou preocupado que a posição relativa de minhas variáveis ​​possa mudar.

Dado o quão poderoso é o R, achei que poderia haver uma maneira melhor do que soltar cada coluna uma a uma.

Você pode usar uma lista simples de nomes:

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)]

Ou, como alternativa, você pode fazer uma lista daqueles a serem mantidos e se referir a eles pelo nome:

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

EDIT: Para aqueles que ainda não estão familiarizados com o dropargumento da função de indexação, se desejar manter uma coluna como um quadro de dados, faça:

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

drop=TRUE(ou não mencioná-lo) eliminará dimensões desnecessárias e, portanto, retornará um vetor com os valores da coluna y.

Há também o subsetcomando, útil se você souber quais colunas deseja:

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

ATUALIZADO após o comentário de @hadley: Para eliminar as colunas a, c, você pode:

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

within(df, rm(x))

é provavelmente mais fácil ou para várias variáveis:

within(df, rm(x, y))

Ou se você estiver lidando com data.tables (por Como você exclui uma coluna pelo nome em data.table? ):

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

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

ou para várias variáveis

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

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

Você poderia usar %in%assim:

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

list (NULL) também 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"

Se você deseja remover as colunas por referência e evitar a cópia interna associada data.frames, poderá usar o data.tablepacote e a função:=

Você pode passar os nomes de vetores de caracteres para o lado esquerdo do :=operador e NULLcomo o 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]

Se você quiser predefinir os nomes como vetor de caracteres fora da chamada [, coloque o nome do objeto em ()ou {}forçar o LHS a ser avaliado no escopo da chamada e não como um nome no escopo 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.   

Você também pode usar set, o que evita a sobrecarga de [.data.table, e também 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 uma estratégia potencialmente mais poderosa baseada no fato de que grep () retornará um vetor numérico. Se você possui uma lista longa de variáveis ​​como eu em um dos meus conjuntos de dados, algumas variáveis ​​terminam em ".A" e outras terminam em ".B" e você deseja apenas as que terminam em ".A" (junto com todas as variáveis ​​que não correspondem a nenhum padrão, faça o seguinte:

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

Para o caso em questão, usando o exemplo de Joris Meys, pode não ser tão compacto, mas seria:

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

Outra dplyrresposta. Se suas variáveis ​​tiverem uma estrutura de nomenclatura comum, você pode tentar starts_with(). Por exemplo

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

Se você deseja soltar uma sequência de variáveis ​​no quadro de dados, você pode usar :. Por exemplo, se você queria deixar var2, var3e todas as variáveis no meio, você tinha acabado de ser deixado com var1:

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

Outra possibilidade:

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

ou

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

Resultado:

    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)

Resultado:

        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

Solução Dplyr

Duvido que isso receba muita atenção aqui em baixo, mas se você tiver uma lista de colunas que deseja remover e quiser fazê-lo em uma dplyrcadeia, utilizo one_of()a selectcláusula:

Aqui está um exemplo simples e reproduzível:

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

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

A documentação pode ser encontrada em execução ?one_ofou aqui:

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

Fora de interesse, isso sinaliza uma das inconsistências múltiplas e estranhas de sintaxe de R. Por exemplo, dado um quadro de dados de duas colunas:

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

Isso fornece um quadro de dados

subset(df, select=-y)

mas isso dá um vetor

df[,-2]

Isso tudo é explicado, ?[mas não é exatamente o comportamento esperado. Bem, pelo menos não para mim ...

Aqui está uma dplyrmaneira de fazer isso:

#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()

Gosto disso porque é intuitivo ler e entender sem anotações e robusto para as colunas mudarem de posição dentro do quadro de dados. Também segue o idioma vetorizado usando -para remover elementos.

Continuo pensando que deve haver um idioma melhor, mas, para subtração de colunas por nome, costumo fazer o seguinte:

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

Há uma função chamada dropNamed()no BBmiscpacote de Bernd Bischl que faz exatamente isso.

BBmisc::dropNamed(df, "x")

A vantagem é que evita repetir o argumento do quadro de dados e, portanto, é adequado para a inserção magrittr(assim como as dplyrabordagens):

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

Outra solução, se você não quiser usar o @ hadley's acima: Se "COLUMN_NAME" for o nome da coluna que você deseja excluir:

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

Além das select(-one_of(drop_col_names))demonstradas nas respostas anteriores, existem algumas outras dplyropções para descartar as colunas select()que não envolvem a definição de todos os nomes de colunas específicos (usando os dados de exemplo do dplyr starwars para alguma variedade nos nomes das colunas):

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 

Se você precisar soltar uma coluna que pode ou não existir no quadro de dados, aqui está uma ligeira reviravolta select_if()que, ao contrário de usar one_of(), não emitirá um Unknown columns:aviso se o nome da coluna não existir. Neste exemplo, 'bad_column' não é uma coluna no quadro de dados:

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

Forneça o quadro de dados e uma sequência de nomes separados por vírgula para remover:

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")

Encontre o índice das colunas que você deseja soltar usando which. Atribua um sinal negativo a esses índices ( *-1). Em seguida, subconfigure esses valores, que os removerão do quadro de dados. Isto é um exemplo.

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

Se você tem um grande data.framee está com pouco uso de memória [ . . . . ou rmewithin para remover colunas de adata.frame , como subsetestá atualmente (R 3.6.2), usando mais memória - ao lado da dica do manual para usar subsetinterativamente .

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