192

我已将CSV文件读入 R data.frame。一些行在其中一列中具有相同的元素。我想删除该列中重复的行。例如:

platform_external_dbus          202           16                     google        1
platform_external_dbus          202           16         space-ghost.verbum        1
platform_external_dbus          202           16                  localhost        1
platform_external_dbus          202           16          users.sourceforge        8
platform_external_dbus          202           16                    hughsie        1

我只想要这些行中的一个,因为其他行在第一列中具有相同的数据。

4

11 回答 11

247

对于来这里寻找删除重复行的一般答案的人,请使用!duplicated()

a <- c(rep("A", 3), rep("B", 3), rep("C",2))
b <- c(1,1,2,4,1,1,2,2)
df <-data.frame(a,b)

duplicated(df)
[1] FALSE  TRUE FALSE FALSE FALSE  TRUE FALSE  TRUE

> df[duplicated(df), ]
  a b
2 A 1
6 B 1
8 C 2

> df[!duplicated(df), ]
  a b
1 A 1
3 A 2
4 B 4
5 B 1
7 C 2

来自的答案:从 R 数据框中删除重复的行

于 2014-02-24T12:07:57.670 回答
216

只需将您的数据框隔离到您需要的列,然后使用独特的功能:D

# in the above example, you only need the first three columns
deduped.data <- unique( yourdata[ , 1:3 ] )
# the fourth column no longer 'distinguishes' them, 
# so they're duplicates and thrown out.
于 2012-12-20T07:21:56.233 回答
107

distinct()包中的函数dplyr执行任意重复删除,或者从特定的列/变量(如在这个问题中)或考虑所有列/变量。dplyr是的一部分tidyverse

数据和包

library(dplyr)
dat <- data.frame(a = rep(c(1,2),4), b = rep(LETTERS[1:4],2))

删除特定列中重复的行(例如, column a

请注意,.keep_all = TRUE保留所有列,否则仅保留列a

distinct(dat, a, .keep_all = TRUE)

  a b
1 1 A
2 2 B

删除与其他行完全重复的行:

distinct(dat)

  a b
1 1 A
2 2 B
3 1 C
4 2 D
于 2015-05-29T01:10:12.297 回答
30

data.table软件包还具有自己的方法和一些附加功能uniqueduplicated

unique.data.table和方法都有duplicated.data.table一个额外的by参数,允许您分别传递列名或它们的位置的character或向量integer

library(data.table)
DT <- data.table(id = c(1,1,1,2,2,2),
                 val = c(10,20,30,10,20,30))

unique(DT, by = "id")
#    id val
# 1:  1  10
# 2:  2  10

duplicated(DT, by = "id")
# [1] FALSE  TRUE  TRUE FALSE  TRUE  TRUE

这些方法的另一个重要特征是更大数据集的巨大性能提升

library(microbenchmark)
library(data.table)
set.seed(123)
DF <- as.data.frame(matrix(sample(1e8, 1e5, replace = TRUE), ncol = 10))
DT <- copy(DF)
setDT(DT)

microbenchmark(unique(DF), unique(DT))
# Unit: microseconds
#       expr       min         lq      mean    median        uq       max neval cld
# unique(DF) 44708.230 48981.8445 53062.536 51573.276 52844.591 107032.18   100   b
# unique(DT)   746.855   776.6145  2201.657   864.932   919.489  55986.88   100  a 


microbenchmark(duplicated(DF), duplicated(DT))
# Unit: microseconds
#           expr       min         lq       mean     median        uq        max neval cld
# duplicated(DF) 43786.662 44418.8005 46684.0602 44925.0230 46802.398 109550.170   100   b
# duplicated(DT)   551.982   558.2215   851.0246   639.9795   663.658   5805.243   100  a 
于 2016-03-17T11:01:33.693 回答
11

一般答案可以是例如:

df <-  data.frame(rbind(c(2,9,6),c(4,6,7),c(4,6,7),c(4,6,7),c(2,9,6))))



new_df <- df[-which(duplicated(df)), ]

输出:

      X1 X2 X3
    1  2  9  6
    2  4  6  7
于 2017-12-23T10:54:18.410 回答
9

你也可以使用dplyr'distinct()函数!它往往比替代选项更有效,尤其是在您有大量观察结果的情况下。

distinct_data <- dplyr::distinct(yourdata)
于 2018-08-23T01:26:34.990 回答
6

sqldf

# Example by Mehdi Nellen
a <- c(rep("A", 3), rep("B", 3), rep("C",2))
b <- c(1,1,2,4,1,1,2,2)
df <-data.frame(a,b)

解决方案:

 library(sqldf)
    sqldf('SELECT DISTINCT * FROM df')

输出:

  a b
1 A 1
2 A 2
3 B 4
4 B 1
5 C 2
于 2015-06-24T10:46:38.310 回答
4

这是一个非常简单,快速的dplyr/tidy解决方案:

删除完全相同的行:

library(dplyr)
iris %>% 
  distinct(.keep_all = TRUE)

删除仅在某些列中相同的行:

iris %>% 
  distinct(Sepal.Length, Sepal.Width, .keep_all = TRUE)

于 2020-05-02T05:41:59.137 回答
3

或者您可以将第 4 列和第 5 列中的数据嵌套到一行中tidyr

library(tidyr)
df %>% nest(V4:V5)

# A tibble: 1 × 4
#                      V1    V2    V3             data
#                  <fctr> <int> <int>           <list>
#1 platform_external_dbus   202    16 <tibble [5 × 2]>

现在删除了 col 2 和 3 重复项以进行统计分析,但您已将 col 4 和 5 数据保留在一个小标题中,并且可以随时返回原始数据帧unnest()

于 2016-10-22T11:16:27.123 回答
3

删除数据框的重复行

library(dplyr)
mydata <- mtcars

# Remove duplicate rows of the dataframe
distinct(mydata)

在这个数据集中,没有一个重复的行,因此它返回的行数与 mydata 中的行数相同。



基于一个变量删除重复行

library(dplyr)
mydata <- mtcars

# Remove duplicate rows of the dataframe using carb variable
distinct(mydata,carb, .keep_all= TRUE)

.keep_all 函数用于保留输出数据帧中的所有其他变量。



删除基于多个变量的重复行

library(dplyr)
mydata <- mtcars

# Remove duplicate rows of the dataframe using cyl and vs variables
distinct(mydata, cyl,vs, .keep_all= TRUE)

.keep_all函数用于保留输出数据帧中的所有其他变量。

(来自:http ://www.datasciencemadesimple.com/remove-duplicate-rows-r-using-dplyr-distinct-function/ )

于 2019-10-17T00:14:05.093 回答
0

这个问题也可以通过从每个组中选择第一行来解决,其中组是我们想要选择唯一值的列(在共享的示例中,它只是第一列)。

使用基础 R :

subset(df, ave(V2, V1, FUN = seq_along) == 1)

#                      V1  V2 V3     V4 V5
#1 platform_external_dbus 202 16 google  1

dplyr

library(dplyr)
df %>% group_by(V1) %>% slice(1L)

或使用data.table

library(data.table)
setDT(df)[, .SD[1L], by = V1]

如果我们需要根据多列找出唯一行,只需在上述每个答案的分组部分中添加这些列名。

数据

df <- structure(list(V1 = structure(c(1L, 1L, 1L, 1L, 1L), 
.Label = "platform_external_dbus", class = "factor"), 
V2 = c(202L, 202L, 202L, 202L, 202L), V3 = c(16L, 16L, 16L, 
16L, 16L), V4 = structure(c(1L, 4L, 3L, 5L, 2L), .Label = c("google", 
"hughsie", "localhost", "space-ghost.verbum", "users.sourceforge"
), class = "factor"), V5 = c(1L, 1L, 1L, 8L, 1L)), class = "data.frame", 
row.names = c(NA, -5L))
于 2019-11-19T03:27:38.630 回答