0

我有 1 个名为 A 的 data.frame，其中有 5000 列。如何在此 data.frame 中找到彼此相等的列。

4

3 回答 3

6

正如@John 提到的，使用duplicated. 我要补充一点，转置 data.frame 会强制将所有数据转换为相同的数据类型，然后再与duplicated. 举个例子，这里是一个data.frame：

df <- data.frame( a = LETTERS[1:3],
                  b = 1:3,
                  c = as.character(1:3),
                  d = LETTERS[1:3],
                  e = 1:3,
                  f = 1:3)
df
#   a b c d e f
# 1 A 1 1 A 1 1
# 2 B 2 2 B 2 2
# 3 C 3 3 C 3 3

请注意， column与 columns 、和c非常相似，但由于类型不同（字符与数字）而不相同。@Jubbles 建议的解决方案将忽略这些差异。 bef

identical相反，在 data.frame 的列上使用该函数似乎更合适。您可以使用以下方法两两比较列outer：

are.cols.identical <- function(col1, col2) identical(df[,col1], df[,col2])
identical.mat      <- outer(colnames(df), colnames(df),
                            FUN = Vectorize(are.cols.identical))
identical.mat
# [,1]  [,2]  [,3]  [,4]  [,5]  [,6]
# [1,]  TRUE FALSE FALSE  TRUE FALSE FALSE
# [2,] FALSE  TRUE FALSE FALSE  TRUE  TRUE
# [3,] FALSE FALSE  TRUE FALSE FALSE FALSE
# [4,]  TRUE FALSE FALSE  TRUE FALSE FALSE
# [5,] FALSE  TRUE FALSE FALSE  TRUE  TRUE
# [6,] FALSE  TRUE FALSE FALSE  TRUE  TRUE

从这里，您可以使用聚类来识别相同列的组（可能有更好的方法，所以如果您知道，请随时评论甚至编辑我的答案。）

library(cluster)
distances <- as.dist(!identical.mat)
tree      <- hclust(distances)
cut       <- cutree(tree, h = 0.5)
cut
# [1] 1 2 3 1 2 2

split(colnames(df), cut)
# $`1`
# [1] "a" "d"
# 
# $`2`
# [1] "b" "e" "f"
# 
# $`3`
# [1] "c"

编辑1：忽略浮点值的差异，可以使用

are.cols.identical <- function(col1,col2) isTRUE(all.equal((df[,col1],df[,col2]))

编辑2：比聚类相同列的名称分组更有效的方法是

cut <- apply(identical.mat, 1, function(x)match(TRUE, x))
split(colnames(df), cut)
于 2012-04-21T15:45:38.800 回答
6

这个问题与这里的问题非常相似，有细微的差别，但有相同的警告。

我会再次建议使用digest()，如下所示（感谢@flodel 提供的 data.frame 和上面的一个非常好的建议）

df <- data.frame( a = LETTERS[1:3],
  b = 1:3,
  c = as.character(1:3),
  d = LETTERS[1:3],
  e = 1:3,
  f = 1:3)

dfDig <- sapply(df, digest)

ansL <- lapply(seq_along(dfDig), function(x) names(which(dfDig == dfDig[x])))

unique(ansL)

# [[1]]
# [1] "a" "d"

# [[2]]
# [1] "b" "e" "f"

# [[3]]
# [1] "c"

不过，这仍然无法区分1.0and 1。

编辑

正如@flodel 的评论中所建议的那样，在创建之后可以选择使用以下内容dfDig

split(colnames(df), vapply(dfDig, match, 1L, dfDig))
于 2012-04-22T09:18:14.800 回答
2

如何转置数据帧并使用duplicated()？

B <- as.data.frame(t(A))
dup1 <- duplicated(B)
# if you want to identify all duplicated rows
dup2 <- duplicated(B, fromLast = TRUE)
dup_final <- dup1 * dup2
saved_colnames <- colnames(A)[dup_final]
于 2012-04-21T13:04:14.940 回答