我有一个这样的data.frame -
set.seed(123)
df = data.frame(x=sample(0:1,10,replace=T),y=sample(0:1,10,replace=T),z=1:10)
> df
x y z
1 0 1 1
2 1 0 2
3 0 1 3
4 1 1 4
5 1 0 5
6 0 1 6
7 1 0 7
8 1 0 8
9 1 0 9
10 0 1 10
我想根据前两列删除重复的行。预期产出 -
df[!duplicated(df[,1:2]),]
x y z
1 0 1 1
2 1 0 2
4 1 1 4
我正在专门寻找使用dplyr包的解决方案。
这是一个使用dplyr >= 0.5.
library(dplyr)
set.seed(123)
df <- data.frame(
x = sample(0:1, 10, replace = T),
y = sample(0:1, 10, replace = T),
z = 1:10
)
> df %>% distinct(x, y, .keep_all = TRUE)
x y z
1 0 1 1
2 1 0 2
3 1 1 4
注意：dplyr现在包含distinct用于此目的的功能。
原答案如下：
library(dplyr)
set.seed(123)
df <- data.frame(
x = sample(0:1, 10, replace = T),
y = sample(0:1, 10, replace = T),
z = 1:10
)
一种方法是分组，然后只保留第一行：
df %>% group_by(x, y) %>% filter(row_number(z) == 1)
## Source: local data frame [3 x 3]
## Groups: x, y
##
## x y z
## 1 0 1 1
## 2 1 0 2
## 3 1 1 4
（在 dplyr 0.2 中，您不需要虚拟z变量，只需编写即可row_number() == 1）
我也一直在考虑添加一个slice()类似的功能：
df %>% group_by(x, y) %>% slice(from = 1, to = 1)
或者，也许它的变体unique()可以让您选择要使用的变量：
df %>% unique(x, y)
为了完整起见，以下内容也有效：
df %>% group_by(x) %>% filter (! duplicated(y))
但是，我更喜欢使用 的解决方案distinct，而且我怀疑它也更快。
大多数时候，最好的解决方案是使用distinct()dplyr，正如已经建议的那样。
但是，这是使用slice()dplyr 中的函数的另一种方法。
# Generate fake data for the example
library(dplyr)
set.seed(123)
df <- data.frame(
x = sample(0:1, 10, replace = T),
y = sample(0:1, 10, replace = T),
z = 1:10
)
# In each group of rows formed by combinations of x and y
# retain only the first row
df %>%
group_by(x, y) %>%
slice(1)
distinct()函数的区别这个解决方案的优点是它明确了从原始数据帧中保留了哪些行，并且可以很好地与arrange()函数配对。
假设您有客户销售数据，并且您希望为每位客户保留一条记录，并且您希望该记录是他们最近一次购买的记录。然后你可以写：
customer_purchase_data %>%
arrange(desc(Purchase_Date)) %>%
group_by(Customer_ID) %>%
slice(1)
在 R 中为缩减的数据集选择列时，通常会出现重复。
这两行给出了相同的结果。每个输出一个唯一的数据集，只有两个选定的列：
distinct(mtcars, cyl, hp);
summarise(group_by(mtcars, cyl, hp));
如果要查找重复的行，可以使用find_duplicatesfrom hablar：
library(dplyr)
library(hablar)
df <- tibble(a = c(1, 2, 2, 4),
b = c(5, 2, 2, 8))
df %>% find_duplicates()