使用R，使用dplyr：select获取“由于某些参数名称相同而无法绑定数据”

Question

#use readtable to create data frames of following unzipped files below
x.train <- read.table("UCI HAR Dataset/train/X_train.txt")
subject.train <- read.table("UCI HAR Dataset/train/subject_train.txt")

y.train <- read.table("UCI HAR Dataset/train/y_train.txt")
x.test <- read.table("UCI HAR Dataset/test/X_test.txt")
subject.test <- read.table("UCI HAR Dataset/test/subject_test.txt")

y.test <- read.table("UCI HAR Dataset/test/y_test.txt")
features <- read.table("UCI HAR Dataset/features.txt")
activity.labels <- read.table("UCI HAR Dataset/activity_labels.txt")   





colnames(x.test) <- features[,2]
dataset_test <- cbind(subject.test,y.test,x.test)
colnames(dataset_test)[1] <- "subject"
colnames(dataset_test)[2] <- "activity"

test <- select(features, V2)

dataset_test <- select(dataset_test,subject,activity)

[1] Error: Can't bind data because some arguments have the same name

-features是两列数据框，第二列包含x.test的名称

-subject.test是单列数据帧

-y.test是单列数据帧

-x.test是一个宽数据框

在命名并绑定这些数据帧之后，我尝试使用dplyr :: select选择某些帧。

但是，返回数据集测试时出错

“错误：由于某些参数名称相同，因此无法绑定数据”

但是，测试不会返回错误并且可以正确过滤。

为什么在行为上有所不同？

我正在使用的数据可以在以下位置下载

https://d396qusza40orc.cloudfront.net/getdata%2Fprojectfiles%2FUCI%20HAR%20Dataset.zip

数据源与变量名相对应，但使用“ _”代替“。”。

dput

> dput(head(x.test[,1:5],2))
structure(list(V1 = c(0.25717778, 0.28602671), V2 = c(-0.02328523, 
-0.013163359), V3 = c(-0.014653762, -0.11908252), V4 = c(-0.938404, 
-0.97541469), V5 = c(-0.92009078, -0.9674579)), row.names = 1:2, class = "data.frame")

> dput(head(subject.test,2))
structure(list(V1 = c(2L, 2L)), row.names = 1:2, class = "data.frame")

> dput(head(y.test,2))
structure(list(V1 = c(5L, 5L)), row.names = 1:2, class = "data.frame")

> dput(head(features,2))
structure(list(V1 = 1:2, V2 = c("tBodyAcc-mean()-X", "tBodyAcc-mean()-Y"
)), row.names = 1:2, class = "data.frame")

Answer 1

我遇到了完全相同的问题，我想我正在寻找与您相同的数据集。是来自智能手机的运动传感器数据，不是吗？

问题恰恰是错误消息所说的！该dang集具有重复的列名。这就是我的探索方式。我无法使用您的dput命令，因此无法尝试您的数据。我正在显示我的代码和结果。我建议您将变量替换为dataset_test我所在的位置samsungData。

这是错误。如果仅选择数据集而不指定列，则错误消息将标识重复项。

select(samsungData)

这给了我这个错误，这正是您自己的dplyr错误试图告诉您的错误。

错误：“ fBodyAcc-bandsEnergy（）-1,8”，“ fBodyAcc-bandsEnergy（）-9,16”，“ fBodyAcc-bandsEnergy（）-17,24”，“ fBodyAcc-bandsEnergy（）-25,32”列，“ fBodyAcc-bandsEnergy（）-33,40”，...必须具有唯一的名称

然后，我想看看第一列的重复位置。（我认为我永远无法使用正则表达式，但是这个让我发疯了，我想找到它。）

has_dupe_col <- grep("fBodyAcc\\-bandsEnergy\\(\\)\\-1,8", names(samsungData))
names(samsungData)[has_dupe_col]

结果：

[1] "fBodyAcc-bandsEnergy()-1,8" "fBodyAcc-bandsEnergy()-1,8" "fBodyAcc-bandsEnergy()-1,8"

那告诉我，相同的列名称出现在三个位置。这在dplyr中不能很好地发挥作用。

然后，我想查看所有列名的频率表，并找出重复项。

names_freq <- as.data.frame(table(names(samsungData)))
names_freq[names_freq$Freq > 1, ]

一堆出现了三遍！这里仅仅是少数。

                                Var1 Freq
9        fBodyAcc-bandsEnergy()-1,16    3
10       fBodyAcc-bandsEnergy()-1,24    3
11        fBodyAcc-bandsEnergy()-1,8    3

结论：

工具（dplyr）没有损坏，数据有缺陷。如果要使用dplyr从此数据集中进行选择，则必须找到那些重复的列名并对其进行处理。也许您更改了列名（dplyr mutate会为您轻松完成）。另一方面，也许它们应该是重复的，并且在那里，因为它们是时间序列或实验观测值的某些迭代。然后也许您需要做的就是将这些列合并为一个，然后提供另一个维（变量）以区分它们。

那就是数据分析的分析部分。您必须深入研究数据，才能找到正确的答案。要么，要么您要回答的问题甚至不需要包含那些重复的列，在这种情况下，您将其丢弃并安静地入睡。

欢迎来到数据科学！充其量只是数学和机器学习的10％。90％的人戴上手套和口罩，然后在数据中抹掉这些废话。

Answer 2

我最近在使用不同的数据集时遇到了同样的问题。我用于识别数据框 (df) 中重复列名的 tidyverse 解决方案是：

tibble::enframe(names(df)) %>% count(value) %>% filter(n > 1)