1

Llevo bastante pensando en el siguiente problema y no soy experto en R así que aún hallo una solución. Tengo el siguiente data.frame (el original es bastante más grande y con mas campos, pero resumo los de interés):

df<-data.frame(c(2010, 2010, 2011, 2012, 2012, 2010, 2010, 2011, 2010, 2011, 2011, 2012), c(rep("A",5),rep("B",3),rep("C",4)),c(1,2,1,1,2,1,2,1,1,2,2,1))

dónde 2010, 2011, 2012 son los años que estoy analizando; A, B, C hace referencia a 3 colegios diferentes y la tercera columna corresponde al alumno de ese colegio en ese año:

   year colegio alumno
1  2010       A      1
2  2010       A      2
3  2011       A      1
4  2012       A      1
5  2012       A      2
6  2010       B      1
7  2010       B      2
8  2011       B      1
9  2010       C      1
10 2011       C      2
11 2011       C      2
12 2012       C      1

El colegio B solo aparece en los años 2010 y 2011 pero no en el 2012. Quiero hacer un nuevo data.frame que sea un subset únicamente de los colegios que aparecen en todos los años considerados: es decir algo así:

  year colegio alumno
1 2010       A      1
2 2010       A      2
3 2011       A      1
4 2012       A      1
5 2012       A      2
6 2010       C      1
7 2011       C      2
8 2011       C      2
9 2012       C      1

Considerando que la base completa contiene alrededor de 2000 colegios no sé cuales de ellos están en todos los años o no, de tal manera que el código debe identificar cuales son esos colegios que no se repiten.

2 respuestas 2

3

Primero armamos tu data.frame de ejemplo:

df<-data.frame(year=c(2010, 2010, 2011, 2012, 2012, 2010, 2010, 2011, 2010, 2011, 2011, 2012), 
               colegio=c(rep("A",5),rep("B",3),rep("C",4)),
               alumno=c(1,2,1,1,2,1,2,1,1,2,2,1))

Bien, una forma usando R base es la siguiente:

colegio <- aggregate(year ~ colegio, df, function(x) {length(unique(x))})
df[df$colegio %in% as.character(colegio[colegio$year == max(colegio$year),1]),]

  year colegio alumno
1  2010       A      1
2  2010       A      2
3  2011       A      1
4  2012       A      1
5  2012       A      2
9  2010       C      1
10 2011       C      2
11 2011       C      2
12 2012       C      1
  • Con aggregate(year ~ colegio, df, function(x) {length(unique(x))}) generamos un data.frame con cada colegio y la cantidad de años que tienen registrados
  • Luego, usamos esos datos para quedarnos únicamente con aquellas filas cuyos colegios tengan la máxima cantidad de años: df[df$colegio %in% as.character(colegio[colegio$year == max(colegio$year),1]),]
3
  • Muchas gracias por tu respuesta y la explicación. Lo estuve probando con la base de datos completa y no me funciona, aunque tampoco genera ningun error. Detecto que no funciona porque las dimensiones (las filas) del data frame no cambian. Creo que debo hacer una revisión de los datos de mi data frame porque con el ejemplo que puse funciona perfectamente.
    – jgaitan
    el 6 jun. 2018 a las 22:15
  • @jgaitan, si estás usando el código de mi respuesta revisa haciendo unique(colegio$year), si solo obtienes un número, lo que ocurre es que todos los colegios tienen la misma cantidad de años, tal vez no sean los mismos años, pero la muestra tiene la misma cantidad de estos. el 6 jun. 2018 a las 23:53
  • Seguí lo que me indicas y no todos tienen la misma cantidad de años. Tambien revisé un poco la estructura y una muestra pequeña de la información y hay colegios que están en diferentes numeros de años. Estive revisando el tipo de datos y el campo año no es una fecha, está como texto, no sé si esto influya el resultado.
    – jgaitan
    el 7 jun. 2018 a las 21:44
1

Otra alternativa es usar dplyr, no soy original en decir que la sintaxis es sumamente clara.

library(dplyr)

df %>% 
    inner_join(df %>%
                   group_by(colegio) %>%
                   summarize(cant = n_distinct(year)) %>%
                   filter(cant == max(cant))
    )

Al data.frame original le hacemos un inner join contra una versión de si mismo agrupada por colegio y filtrada por aquellos colegios cuya cantidad de años sea igual a la del colegio con la mayor cantidad.

2
  • Probaré tambien esta alternativa. Ultimamente he encontrado muchas soluciones usando dplyr. Gracias por la respuesta
    – jgaitan
    el 7 jun. 2018 a las 21:45
  • muchas gracias Patricio, al parecer el método usando inner join funciona a la perfección. Considerando en uso que le voy a dar a los datos y la cantidad, la revisión detallada del resultado me ha tomado algo de tiempo, pero hasta donde voy todo va perfecto. Nuevamente, gracias!
    – jgaitan
    el 13 jun. 2018 a las 2:58

Tu Respuesta

By clicking “Publica tu respuesta”, you agree to our terms of service and acknowledge that you have read and understand our privacy policy and code of conduct.

¿No es la respuesta que buscas? Examina otras preguntas con la etiqueta o formula tu propia pregunta.