选择在一个时间范围内至少显示n条记录的所有唯一条目

Question

我有以下数据集(32000个条目)，按监测点和采样年份组织的水化学化合物年平均值，示例如下：

data= data.frame(Site_ID=c(1, 1, 1, 2, 2, 2, 3, 3, 3), Year=c(1976, 1977, 1978, 2004, 2005, 2006, 2003, 2004, 2005), AnnualMean=c(1.1, 1.2, 1.1, 2.1, 2.6, 3.1, 2.7, 2.6, 1.9))

我只想选择year1和year2之间至少有n个测量值的所有监测点的数据。通常，我希望选择显示1990至2005年间10个测量值的监测点的所有数据。到目前为止，我尝试了，但没有成功：

data %>%
group_by(Site_ID) %>%
filter(n()>=n %in% between(Year, year1, year2))

Answer 1

这将选择所有Site_ID组，这些组至少包含parms['yr1']和parms['yr2']之间的parms['n']观察值。

library(data.table)
setDT(df)

parms <- c(n = 2, yr1 = 2000, yr2 = 2005)

df[, if(sum(Year %between% parms[c('yr1', 'yr2')]) >= parms['n']) .SD, 
   by = Site_ID]

#    Site_ID Year AnnualMean
# 1:       2 2004        2.1
# 2:       2 2005        2.6
# 3:       2 2006        3.1
# 4:       3 2003        2.7
# 5:       3 2004        2.6
# 6:       3 2005        1.9

Answer 2

Base-R中的代码处理您提供的示例数据。您可以更改IDstoGet <- Site_IDs[CountBySite_IDs >= 3]中的数字，使其只接受数据点数量超过所需数量的Site_IDs。

DataInRange <- data[(data$Year>=1990&data$Year<=2005),]
Site_IDs <- unique(DataInRange$Site_ID)
CountBySite_IDs <- sapply(Site_IDs, function(x) length(grep(x,DataInRange$Site_ID)))
IDstoGet <- Site_IDs[CountBySite_IDs >= 3]
DataToGetPosition <- unlist(lapply(IDstoGet, grep, DataInRange$Site_ID))

DataInRange[DataToGetPosition,]

输出

> DataInRange[DataToGetPosition,]
  Site_ID Year AnnualMean
7       3 2003        2.7
8       3 2004        2.6
9       3 2005        1.9

Answer 3

3.我不确定这是不是你想要的结果，也许你可以试一试

data %>%
  group_by(Site_ID) %>%
  filter(between(Year,1990,2005)) %>%
  filter(Year, n()>=10)

一种基于R的替代方案是

subset(data,
       !!ave(ave(Year,
                 Site_ID,
                 FUN = function(x) x>=1990&x<=2005),
             Site_ID,
             FUN = function(x) sum(x)>2))