如何选择R数据帧中不在向量中的列？

R数据帧可以具有很多列，我们可能希望选择其中几列。在这种情况下，最好通过取消选择不需要的列而不是选择我们需要的列来提取列，因为需要的列数多于不需要的列。借助！可以轻松完成此操作！标志和单个方括号。

示例

请看以下数据帧-

> Age<-sample(20:50,20)
> Gender<-rep(c("Male","Female"),times=10)
> Salary<-sample(20000:40000,20)
> ID<-1:20
> Education<-rep(c("Grad","Post-Grad","PhD","Highschool"),times=5)
> Experience<-sample(1:5,20,replace=TRUE)
> df<-data.frame(ID,Gender,Age,Salary,Experience,Education)
> df

输出结果

 ID    Gender    Age     Salary    Experience    Education
1   1    Male      35     38245       4             Grad
2   2    Female    43     21995       5          Post-Grad
3   3    Male      21     38941       4             PhD
4   4    Female    26     36599       2          Highschool
5   5    Male      50     27477       2          Grad
6   6    Female    28     25281       2          Post-Grad
7   7    Male      33     20310       4             PhD
8   8    Female    24     30171       2          Highschool
9   9    Male      38     28779       3          Grad
10 10    Female    46     31213       3          Post-Grad
11 11    Male      36     27697       4             PhD
12 12    Female    41     36929       2          Highschool
13 13    Male      42     35367       2          Grad
14 14    Female    29     28711       1          Post-Grad
15 15    Male      22     29253       3             PhD
16 16    Female    30     28982       5          Highschool
17 17    Male      39     39458       4          Grad
18 18    Female    27     31891       2          Post-Grad
19 19    Male      48     29931       2             PhD
20 20    Female    31     34817       2          Highschool

选择除性别和年龄以外的列-

> df[,!names(df)%in%c("Gender","Age")]

输出结果

   ID Salary Experience Education
1 1    38245    4    Grad
2 2    21995    5    Post-Grad
3 3    38941    4    PhD
4 4    36599    2    Highschool
5 5    27477    2    Grad
6 6    25281    2    Post-Grad
7 7    20310    4    PhD
8 8    30171    2    Highschool
9 9    28779    3    Grad
10 10 31213    3    Post-Grad
11 11 27697    4    PhD
12 12 36929    2    Highschool
13 13 35367    2    Grad
14 14 28711    1    Post-Grad
15 15 29253    3    PhD
16 16 28982    5    Highschool
17 17 39458    4    Grad
18 18 31891    2    Post-Grad
19 19 29931    2    PhD
20 20 34817    2    Highschool

选择ID和教育以外的列-

> df[,!names(df)%in%c("ID","Education")]

输出结果

 Gender   Age    Salary Experience
1 Male    35    38245    4
2 Female  43    21995    5
3 Male    21    38941    4
4 Female  26    36599    2
5 Male    50    27477    2
6 Female  28    25281    2
7 Male   33    20310    4
8 Female 24    30171    2
9 Male   38      28779   3
10 Female 46    31213   3
11 Male   36     27697  4
12 Female 41    36929    2
13 Male   42    35367    2
14 Female 29    28711    1
15 Male  22    29253    3
16 Female 30    28982    5
17 Male  39    39458    4
18 Female 27    31891    2
19 Male  48    29931    2
20 Female 31    34817    2

选择ID，教育和性别以外的列-

> df[,!names(df)%in%c("ID","Education","Gender")]

输出结果

  Age    Salary Experience
1 35    38245    4
2 43    21995    5
3 21    38941    4
4 26    36599    2
5 50    27477    2
6 28    25281    2
7 33    20310    4
8 24    30171    2
9 38    28779    3
10 46    31213    3
11 36    27697    4
12 41    36929    2
13 42    35367    2
14 29    28711    1
15 22    29253    3
16 30    28982    5
17 39    39458    4
18 27    31891    2
19 48    29931    2
20 31    34817    2

选择ID，年龄和性别以外的列-

> df[,!names(df)%in%c("ID","Age","Gender")]

 Salary Experience Education
1 38245    4          Grad
2 21995    5       Post-Grad
3 38941    4          PhD
4 36599    2       Highschool
5 27477    2          Grad
6 25281    2       Post-Grad
7 20310    4          PhD
8 30171    2       Highschool
9 28779    3          Grad
10 31213   3       Post-Grad
11 27697   4       PhD
12 36929   2    Highschool
13 35367   2       Grad
14 28711   1    Post-Grad
15 29253   3       PhD
16 28982   5       Highschool
17 39458   4       Grad
18 31891   2       Post-Grad
19 29931   2       PhD
20 34817   2       Highschool