根据 data.frame 中的一组从行块中删除重复项答案

【问题标题】：remove duplicates from chunks of rows based on one group in a data.frame根据 data.frame 中的一组从行块中删除重复项
【发布时间】：2019-04-13 22:23:49
【问题描述】：

我需要根据data.frame 中的一个组删除重复的行。

在下面的示例中，每组 'a' 观察 (>1) 需要减少到只有一个观察，该观察必须是具有较低 time 值的观察：

df_1 = data.frame(time = c(1,2,8,12,19,22,23,30), group = 'a')

df_2 = data.frame(time = c(4,5,6,15,16,18,21,24,25,27), group = 'b')

df = rbind(df_1, df_2)

> df
   time group
1     1     a
2     2     a
3     4     b
4     5     b
5     6     b
6     8     a
7    12     a
8    15     b
9    16     b
10   18     b
11   19     a
12   21     b
13   22     a
14   23     a
15   24     b
16   25     b
17   27     b
18   30     a

这是我的预期输出：

   time group
1     1     a
3     4     b
4     5     b
5     6     b
6     8     a
8    15     b
9    16     b
10   18     b
11   19     a
12   21     b
13   22     a
15   24     b
16   25     b
17   27     b
18   30     a

有什么建议吗？

谢谢

【问题讨论】：

标签： r dataframe duplicates

【解决方案1】：

我们可以使用rleid从data.table拆分group，ifgroup是a然后返回time的最小值，对于b组返回整个组原样.

library(tidyverse)
library(data.table)

df %>%
  group_split(rleid(group), keep = FALSE) %>%
  map_dfr(~ if(.$group[1] == 'a') .[which.min(.$time), ] else .)


#    time group
#   <int> <fct>
# 1     1 a    
# 2     4 b    
# 3     5 b    
# 4     6 b    
# 5     8 a    
# 6    15 b    
# 7    16 b    
# 8    18 b    
# 9    19 a    
#10    21 b    
#11    22 a    
#12    24 b    
#13    25 b    
#14    27 b    
#15    30 a

【讨论】：

请注意：group_split 在 dplyr v0.8 以上版本中可用

【解决方案2】：

使用data.table，我们可以更轻松地做到这一点。只需按'group'的run-length-id（rleid），orderi中的'time'进行分组，获取不是duplicated的元素的索引行（.I），其中“组”是“a”或“b”。使用它来子集行

library(data.table)
i1 <- setDT(df)[order(time), .I[!duplicated(group == 'a')|
        group == 'b'] , .(grp = rleid(group))]$V1
df[i1]
#    time group
# 1:    1     a
# 2:    4     b
# 3:    5     b
# 4:    6     b
# 5:    8     a
# 6:   15     b
# 7:   16     b
# 8:   18     b
# 9:   19     a
#10:   21     b
#11:   22     a
#12:   24     b
#13:   25     b
#14:   27     b
#15:   30     a

注意：不需要if/else 或循环

数据

df <- structure(list(time = c(1L, 2L, 4L, 5L, 6L, 8L, 12L, 15L, 16L, 
18L, 19L, 21L, 22L, 23L, 24L, 25L, 27L, 30L), group = c("a", 
 "a", "b", "b", "b", "a", "a", "b", "b", "b", "a", "b", "a", "a", 
 "b", "b", "b", "a")), class = "data.frame", row.names = c("1", 
 "2", "3", "4", "5", "6", "7", "8", "9", "10", "11", "12", "13", 
  "14", "15", "16", "17", "18"))

【讨论】：