1

我正在处理具有 n 个协变量的大型数据集。许多行是重复的。为了识别重复项，我需要使用协变量的子集来创建识别变量。也就是说，(nx) 个协变量是不相关的。我想连接 x 协变量上的值以唯一标识观察结果并消除重复项。

set.seed(1234)
UNIT <- c(1,1,1,1,2,2,2,3,3,3,4,4,4,5,6,6,6)
DATE <- c("1/1/2010","1/1/2010","1/1/2010","1/2/2012","1/2/2009","1/2/2004","1/2/2005","1/2/2005",
      "1/1/2011","1/1/2011","1/1/2011","1/1/2009","1/1/2008","1/1/2008","1/1/2012","1/1/2013",
      "1/1/2012")
OUT1 <- c(300,400,400,400,600,700,700,800,800,800,900,700,700,100,100,100,500)
JUNK1 <- c(rnorm(17,0,1))
JUNK2 <- c(rnorm(17,0,1))

test = data.frame(UNIT,DATE,OUT1,JUNK1,JUNK2)

'test' 是一个示例数据框。我需要用来唯一标识观察的变量是“UNIT”、“DATE”和“OUT1”。例如，

head(test)
  UNIT     DATE OUT1      JUNK1      JUNK2
1    1 1/1/2010  300 -1.2070657 -0.9111954
2    1 1/1/2010  400  0.2774292 -0.8371717
3    1 1/1/2010  400  1.0844412  2.4158352
4    1 1/2/2012  400 -2.3456977  0.1340882
5    2 1/2/2009  600  0.4291247 -0.4906859
6    2 1/2/2004  700  0.5060559 -0.4405479

观察 1 和 4 在数据集中不是重复的。观察 2 和 3 是重复的。我要创建的新数据集将保留观察值 1 和 4，并且仅保留2 和 3 之一。我尝试过的解决方案是：

subset(test, !duplicated(c(UNIT,DATE,OUT1)))

不幸的是，这并不能解决问题：

      UNIT     DATE OUT1       JUNK1      JUNK2
1        1 1/1/2010  300 -1.20706575 -0.9111954
5        2 1/2/2009  600  0.42912469 -0.4906859
8        3 1/2/2005  800 -0.54663186 -0.6937202
11       4 1/1/2011  900 -0.47719270 -1.0236557
14       5 1/1/2008  100  0.06445882  1.1022975
15       6 1/1/2012  100  0.95949406 -0.4755931

尽管它确实忽略了不相关的变量 (JUNK1, JUNK2) ，但该技术过于贪婪。新数据集应包含对单元 1 的三个观察值，因为当 UNIT = 1 时存在 UNIT + DATE + OUT1 的三个唯一组合。有没有办法在不编写函数的情况下实现这一点？

4

3 回答 3

10

你可以传递一个data.frame到duplicated

在你的情况下，你想通过前 3 列test

 test2 <- test[!duplicated(test[,1:3]),]

如果您使用的是大数据，并且想要接受data.tables，那么您可以将键设置为前三列（您要从中删除重复项），然后使用unique

library(data.table)
DT <- data.table(test)
# set the key
setkey(DT, UNIT,DATE,OUT1)
DTU <- unique(DT)

有关重复项和 data.tables 的更多详细信息，请参阅过滤掉 data.table 中的重复/非唯一行

于 2013-03-19T00:03:41.523 回答
0

谢谢！看起来我们可以这样做：

test2 <- test[!duplicated(test[,c("OUT1","DATE","UNIT")]),]

它也交付货物。所以，我们可以只使用列名而不是 1:3，顺序无关紧要

于 2013-03-19T01:35:07.527 回答
0

您可以distinct()从dplyr包中使用：

library(dplyr)
test %>%
  distinct(UNIT, DATE, OUT1)

或者没有%>%管道：

distinct(test, UNIT, DATE, OUT1)
于 2015-05-29T01:18:49.887 回答