一个自动化数据筛选的问题的解决--基于R语言

这个问题和解决来自于我的工作中。这篇文章的重点是，它不是介绍 R 语言入门的文章，是面向问题的，所以我抱着你能够看懂文中出现的代码的希望来写，代码又少又简单。

问题的描述是这样的，给定一个数据框，对于数据框中的字符型变量 A， 对任意组合的条件，产生新的数据框。

简单来说这里说描述的问题就是你几乎每天都在使用的Excel表格中的变量筛选所解决的问题。为了逻辑连贯，我在这里应该说明解决这个问题的意义。出于简洁的目的，我认为读者知道这个意义，而不再列举。我还是很乐意简单地说，为了自动化。我还没用发现一个r包可以解决这个问题，subset 函数是不行的，在后面会讨论到，如果有读者发现有某个函数已经解决了这个问题，欢迎告诉我。任意基于何冯·诺依曼的计算机自动化的充分条件是一段程序。所以我们需要一段代码来实现自动。从面向对象编程的观点来说，就是为数据框类定义一个方法，它的参数是一个序列，返回值是一个数据框对象。从函数是一个黑盒子的观点来看，subset 函数不可用的原因是它的 subset 参数不是向量，而是标量。当不确定有多少个标量时，我们不知道如何写和 subset 有关的代码。

一个实例

给定数据框 df, df中一个变量A，其中A={a, b, c}，给定一个序列A~={a,c},返回一个以A~为变量的新数据框 df~。

使用过R的小伙伴都知道，应该使用subset函数.

subset(df, subset = (df$A == a | df$A == c), select = c(A, B))

让人感觉良好的是，它解决了给出的那个实例。生活总是给我教训，在我每当感觉良好的时候。

但是如果给定的序列为{b, c}，你不得不在代码中修改，如果对每一种情况改一次代码，那么注定与自动化说拜拜了。从定义来说使用 subset 并不能写出一个算法，算法的定义要求算法应该能解决一类问题（我认为求一组任意个数整数的最大值是一个整数最大值算法，而只能求几个，不管多少个都不能看作算法）。subset函数是行不通的，因为使用subset对问题的泛化无能为力。

如果有一个解（算法），对于给定数据框 Q, 不乏一般性地，假设Q只有A, B两个观测（变量），其中观测A有x1,x2,...,xn个水平，对于k个来自观测A的水平的所组成的向量C={xi1,xi2,...xik},k<=n，能产生新由C和筛选出来的B组成新的数据框P。

连贯的逻辑下，写到这里我应该证明我的代码对上面这个模型总能得到想要的输出。我觉得这种工作应该留给数学家或者计算机专家，但我还是很乐意去尝试。首先给出伪代码：

zero <- FALSE;
x <- FALSE;
if k = 1
    x <- Q$A == C[1] | zero;
else
    i from 2 to k
       x <- Q$A == C[i] | x;
C=Q[which(x), ];
// 可以化简为
x <- FALSE;
i from 1 to k
    x <- Q$A == C[i] | x;
C = Q[which(x), ]

证明：
对于简化后的代码，第一行到第三行都属于一个循环体，第4行代码必定正确，因为是使用别人的函数。所以只证明循环部分是正确的。
假设：Q$A为整数，且已经排列。C已排列。计算环境中所有的量都是向量。
初始化：x<-FALSE,算法刷选了0个，把选择0个作为一个退化，显然满足我们的预期（它没有选择不该选择的行，所以是正确地）。
保持：如果进行到第i次之前，那么循环前x=（T,T,...F,F,...）是我们希望的,有i-1个TRUE，循环后x<-x|(F,F,...,T,F,F,...)=(T,T,...,F,F,...)，有i个TRUE也是我们希望的，所以这里有个循环不变式。
总止：当i=k+1，循环终止，因为前k个都为T，如果令k=n，则它把整个Q选出来，显然是正确地。

下面是我在工作中使用的代码，它很少很简单，只有有三个语句。

hand <- FALSE
for (i in 1 : length(carrierNameList)) {
hand <- as.character(rate$Carrier) ==     getCode(carrierNameList[i]) | hand
}
rate <- rate[which(hand), ]

carrierNameList是一个序列（向量），rate是一个数据框，getCode是一个函数，它负责把carrierNameList转化为可以和rate中的Carrier变量匹配的序列。它总能对任意的carrierNameList（唯一的条件是每个元素经过getCode转化后为rate的carrier变量的一个水平）从rate中选择出所有的记录（行），然后产生新的数据框。你只需要把getCode函数拿掉，换成你的数据，就能解决你的数据面临的同样问题。唯一的不美的地方是它不是一函数的形式（它在逻辑上已经是一个函数了），有志的小伙伴可以试着把它写成一个 R 包。

其中的思想是，使用一个当前向量（伦家还没想好名字）去记录数据框中检查变量对匹配序列情况。首先匹配序列的每个元素和数据框的检验变量进行“==”运算，把这个结果称为判断向量，遍历序列后产生一个判断矩阵。然后对判断向量进行这样的求并：第一个判断向量与逻辑零向量（全为FALSE的逻辑向量）的并为当前向量，如果还有未进行并操作的判断向量，把当前向量与下一个判断向量的并为当前向量（类似于求和算法）。当不剩下未进行并操作的判断向量是，匹配的信息就凝结在当前向量上。最后，按当前向量中为真的下标去选取行。

祝小伙伴们在处理数据的工作上能顺心如意。有错误的地方欢迎提出来。

这里是分割线

---

从这里更新。
subset函数是行得通的。任何我能想到的一定有人比我前想到了，前面写的东西一无是处。
subset函数的第二个参数是一个二值的（逻辑）向量实例，只要找到满足条件的二值向量，就可以使用subset函数。为了找到这样的向量，使用的工具是正则表达式。

grepl('[a-z]', letters)
# 一个24个TRUE的向量

数据框#.png
数据框#~.png