Выбор строк с одинаковым результатом в разных столбцах в R

Я знаю, в чем проблема - вам нужно прочитать данные "как есть", добавив аргумент as.is=TRUE к команде read.csv (которую вы предположительно использовали для загрузки всего). Без этого строки сохраняются как факторы, и все предложенные выше методы не сработают (как вы обнаружили!)

После того, как вы правильно прочитали данные, вы можете использовать либо

catch[which(catch$tspp.name == catch$elasmo.name),]

or

subset(catch, tspp.name == elasmo.name)

чтобы получить совпадающие строки - не пропускайте which в первой строке, иначе код не будет работать при сравнении с NA.

Ниже приведен 30-секундный пример с использованием небольшого сфабрикованного набора данных, который явно иллюстрирует все эти моменты.

Во-первых, создайте текстовый файл на диске, который выглядит так (я сохранил его как "F:/test.dat", но его можно сохранить где угодно)...

col1~col2
a~b
a~a
b~b
c~NA
NA~d
NA~NA

Давайте загрузим его без преобразования факторов в строки, просто чтобы увидеть, как методы, предложенные выше, не работают:

> dat=read.csv("F:/test.dat",sep="~")  # don't forget to check the filename

> dat[which(dat$col1==dat$col2),]
Error in Ops.factor(dat$col1, dat$col2) : level sets of factors are different

> dat[dat$col1==dat$col2,]
Error in Ops.factor(dat$col1, dat$col2) : level sets of factors are different

> subset(dat,col1==col2)
Error in Ops.factor(col1, col2) : level sets of factors are different

Это именно та проблема, с которой вы столкнулись. Если вы наберете dat$col1 и dat$col2, вы увидите, что первый имеет уровни фактора a b c, а второй имеет уровни фактора a b d — отсюда и сообщения об ошибках.

Теперь давайте сделаем то же самое, но на этот раз прочитаем данные «как есть»:

> dat=read.csv("F:/test.dat",sep="~",as.is=TRUE)  # note the as.is=TRUE

> dat[which(dat$col1==dat$col2),]
  col1 col2
2    a    a
3    b    b

> dat[dat$col1==dat$col2,]
     col1 col2
2       a    a
3       b    b
NA   <NA> <NA>
NA.1 <NA> <NA>
NA.2 <NA> <NA>

> subset(dat,col1==col2)
     col1 col2
2    a    a
3    b    b

Как видите, и первый метод (на основе which), и третий метод (на основе subset) дают правильный ответ, а второй метод путается при сравнении с NA. Я бы лично поддержал метод subset, так как, на мой взгляд, он самый аккуратный.

Последнее замечание: есть и другие способы получить строки, возникающие как факторы во фрейме данных, и, чтобы избежать всех этих головных болей, всегда не забывайте включать аргумент stringsAsFactors = FALSE в конце всякий раз, когда вы создаете фрейм данных, используя data.frame. Например, правильный способ создать объект dat непосредственно в R:

dat=data.frame(col1=c("a","a","b","c",NA,NA), col2=c("b","a","b",NA,"d",NA),
                         stringsAsFactors=FALSE)

Введите dat$col1 и dat$col2, и вы увидите, что они были правильно интерпретированы. Если вы попробуете еще раз, но с опущенным аргументом stringsAsFactors (или установленным в TRUE), вы увидите появление этих проклятых факторов (точно так же, как хитрый первый метод загрузки с диска).

Короче говоря, всегда помните as.is=TRUE и stringsAsFactors=FALSE и научитесь использовать команду subset, и вы не ошибетесь!

Надеюсь это поможет :)