如何根据另一列中的缺失数据删除重复项？答案

【问题标题】：How to remove duplicates based on missing data in another column?如何根据另一列中的缺失数据删除重复项？
【发布时间】：2022-07-18 23:58:53
【问题描述】：

我有一个如下所示的数据集：

   Study_ID Recurrent_Status
1       100                1
2       100               NA
3       100               NA
4       200                1
5       300               NA
6       400                3
7       400               NA
8       500                3
9       500               NA
10      600               NA
11      700                1

我想删除所有重复的研究 ID，但将条目保留在有“经常状态”数据的地方。换句话说，我想删除每个重复的研究 ID，其中存在“经常状态”的 NA。复发状态是 1 或 3 的值（或者对于某些未重复的患者为 NA）。

我想要的输出应该是这样的：

  Study_ID Recurrent_Status
1      100                1
2      200                1
3      300               NA
4      400                3
5      500                3
6      600               NA
7      700                1

我尝试使用此代码，但它当然会删除具有 1 或 3 的经常性状态的个人，而不是保留他们。

full_data<-filter(full_data, !duplicated(MRN, fromLast = TRUE) | Recurrence_status !="1")
full_data<-filter(full_data, !duplicated(MRN, fromLast = TRUE) | Recurrence_status !="3")

当我尝试删除解释标记时，我收到此错误：

full_data<-filter(full_data, !duplicated(MRN, fromLast = TRUE) | Recurrence_status ="1")

Error: unexpected '=' in "full_data<-filter(full_data, !duplicated(MRN, fromLast = TRUE) | Recurrence_status ="

我该怎么做？

可重现的数据：

data<-data.frame(Study_ID=c("100","100","100","200","300","400","400","500","500","600","700"),Recurrent_Status=c("1","NA","NA","1","NA","3","NA","3","NA","NA","1"))

【问题讨论】：

标签： r dplyr filter duplicates

【解决方案1】：

我们可以通过'Recurrent_Status'中的非NA元素与第一列一起arrange，然后使用distinct

library(dplyr)
data %>% 
  arrange(Study_ID, is.na(Recurrent_Status)) %>%
  distinct(Study_ID, .keep_all = TRUE)

-输出

  Study_ID Recurrent_Status
1      100                1
2      200                1
3      300               NA
4      400                3
5      500                3
6      600               NA
7      700                1

【讨论】：

【解决方案2】：

另一个dplyr 选项：

df <- read.table(text = "   Study_ID Recurrent_Status
1       100                1
2       100               NA
3       100               NA
4       200                1
5       300               NA
6       400                3
7       400               NA
8       500                3
9       500               NA
10      600               NA
11      700                1", header = TRUE)

library(dplyr)
df %>%
  group_by(Study_ID) %>%
  slice(which.max(!is.na(Recurrent_Status)))
#> # A tibble: 7 × 2
#> # Groups:   Study_ID [7]
#>   Study_ID Recurrent_Status
#>      <int>            <int>
#> 1      100                1
#> 2      200                1
#> 3      300               NA
#> 4      400                3
#> 5      500                3
#> 6      600               NA
#> 7      700                1

^{由reprex package (v2.0.1) 于 2022-07-18 创建}

【讨论】：

【解决方案3】：

data %>% 
  group_by(Study_ID) %>% 
  arrange(Recurrent_Status, .by_group = TRUE) %>% 
  slice(1)

【讨论】：