R 数据筛选与取子集（subset、[ ]、dplyr filter）

筛选行：逻辑掩码

在 R 中筛选数据框，就是把条件放在方括号的行位置上：df[condition, ]。条件会求值为一个由 TRUE/FALSE 组成的向量，每行一个，R 保留为 TRUE 的行：

scores <- data.frame(
    name  = c("Ana", "Ben", "Chen", "Dana", "Eli"),
    team  = c("red", "blue", "red", "blue", "red"),
    score = c(91, 74, 88, 95, 62)
)

high <- scores[scores$score > 80, ]
print(high)

从里往外读 scores[scores$score > 80, ]：scores$score > 80 生成 TRUE FALSE TRUE TRUE FALSE，方括号保留第 1、3、4 行。末尾的逗号不能省。 数据框的方括号接受 [rows, columns]；列的位置留空表示“所有列”。忘了逗号，你索引的就变成了列，这是 R 初学者最常犯的错误之一。

注意打印出来的行号是 1 3 4，而不是 1 2 3：筛选会保留原来的行标签。这没什么害处，但常常让人意外。

多个条件：& 和 |（不是 &&）

用 &（与）和 |（或）组合条件。每个条件都要写成完整的比较：

scores <- data.frame(
    name  = c("Ana", "Ben", "Chen", "Dana", "Eli"),
    team  = c("red", "blue", "red", "blue", "red"),
    score = c(91, 74, 88, 95, 62)
)

print(scores[scores$score > 80 & scores$team == "red", ])
print(scores[scores$score > 90 | scores$score < 70, ])

陷阱在于：R 还有 && 和 ||，但在这里它们和 &、| 不能互换。双写形式只适用于单个值（它们是为 if 条件准备的）；传入整列时，新版 R（4.3 及以上）会报类似 'length = 5' in coercion to 'logical(1)' 的错误并停止，而旧版 R 会悄悄只比较第一行，这可能更糟。在方括号里，永远用单个的 & 和 |。两者的完整区别请看运算符文档。

%in%：匹配一组值

当某列应该匹配多个值中的任意一个时，不要用 | 串起一堆 ==，而要用 %in%：

orders <- data.frame(
    id     = 1:6,
    status = c("paid", "pending", "paid", "refunded", "shipped", "pending")
)

open <- orders[orders$status %in% c("pending", "shipped"), ]
print(open)

只要 x 是 set 中的某个值，x %in% set 就返回 TRUE。它比 status == "pending" | status == "shipped" 更好读，能扩展到任意数量的值，取反也很干净：!(orders$status %in% c("refunded"))。

选择列

方括号的列位置可以接受列名或位置：

scores <- data.frame(
    name  = c("Ana", "Ben", "Chen"),
    team  = c("red", "blue", "red"),
    score = c(91, 74, 88)
)

print(scores[, c("name", "score")])            # by name - prefer this
print(scores[scores$team == "red", "score"])   # rows AND columns at once

有两点要注意。按名称选择，即使列的顺序变了也不受影响；按位置选择（scores[, c(1, 3)]），一旦有人插入一列就会出错。另外，只选一列时返回的是普通向量，而不是数据框，所以第二个 print() 显示的是 91 88，外面没有表格。如果需要保持数据框的形状，就加上 drop = FALSE：scores[, "score", drop = FALSE]。

subset()：友好的 base R 一行写法

base R 自带一个包装函数，一次可读的调用就能同时处理行和列，不需要 $，也不用操心逗号：

scores <- data.frame(
    name  = c("Ana", "Ben", "Chen", "Dana"),
    team  = c("red", "blue", "red", "blue"),
    score = c(91, 74, 88, 95)
)

print(subset(scores, score > 80))
print(subset(scores, team == "red", select = c(name, score)))

在 subset() 里你直接写裸列名（score，而不是 scores$score），它会在数据框中对这些名字求值。这叫作非标准求值，它有一个文档中写明的注意事项：它在运行时解析名称的方式，在你自己写的函数里会出问题（函数中名为 score 的变量可能被名为 score 的列遮蔽）。经验法则直接来自 ?subset：交互使用时很好，编程时要避免，那时就用方括号索引。

NA 陷阱

和 NA 比较的结果是 NA，而不是 FALSE；而方括号筛选会把掩码为 NA 的行保留为全是 NA 的行：

df <- data.frame(name = c("Ana", "Ben", "Chen"), score = c(91, NA, 62))

print(df[df$score > 80, ])                     # ghost NA row appears
print(df[!is.na(df$score) & df$score > 80, ])  # explicit and clean

第一个结果中有一行全是 NA 的垃圾行，因为第 2 行的条件既不是 TRUE 也不是 FALSE。解决方法是显式要求 !is.na()。subset() 和 dplyr 的 filter() 都会悄悄丢掉条件为 NA 的行，这很方便，但你要知道它在这样做。NA 为什么会这样传播，请看缺失值文档。

dplyr 的写法：filter() 和 select()

dplyr 包把这项工作拆成两个动词：filter() 处理行，select() 处理列，直接写裸列名，不用一遍遍重复 df$（下面是静态代码，在线环境只能运行 base R）：

library(dplyr)

scores |> filter(score > 80)
scores |> filter(score > 80, team == "red")     # comma = AND
scores |> filter(status %in% c("pending", "shipped"))
scores |> select(name, score)
scores |> filter(team == "red") |> select(name, score)

filter() 会自动丢掉条件为 NA 的行，并且总是返回数据框（从不返回单纯的向量），上面 base R 的两个坑都被它消除了。代价是多了一个包依赖，以及和 subset() 一样的非标准求值注意事项。所有动词的完整介绍请看 dplyr 入门。

要点总结

• df[condition, ] 是最基本的写法，而且逗号必不可少。
• 用单个的 & 和 | 组合条件；&& 用于向量会报错。
• 要匹配一组值时，%in% 比串起来的 == 更好。
• 按名称选择列，并记住单独一列会退化成向量，除非加上 drop = FALSE。
• subset() 是交互使用时顺手的一行写法；方括号则适合在程序中使用。
• 在方括号中和 NA 比较会产生幽灵行，要用 !is.na() 防范。

下一篇：添加和变换列，包括 df$new <- ...、ifelse() 和 dplyr 的 mutate()。