在 R 中使用条件语句过滤重复名称 - Reprex答案

【问题标题】：Filtering for Duplicated Names with Conditional Statements in R - Reprex在 R 中使用条件语句过滤重复名称 - Reprex
【发布时间】：2023-01-24 03:01:37
【问题描述】：

我有一个大型数据库，其中有部分重复的行。我正在尝试在 dplyr 中使用带有条件语句的过滤器来删除这些部分重复的行。

目标：我想删除所有存在 a1 和 id1 的重复组合且 var1 等于 0 的行。为此，我尝试在我的过滤器函数中使用 duplicated() 调用以及条件语句。

问题：我在下面使用的下面的代码似乎忽略了 var1 等于零的最后一个条件。我尝试了两种不同的过滤方式来获得想要的结果，但无济于事。我的 duplicated() 调用有问题吗？我应该改用 distinct() 吗？

library(dplyr)
a1 <- c('adam', 'adam', 'adam', 'megan', 'megan', 'megan', 'jen', 'jen', 'jen')
id1 <- c('a', 'a', 'b', 'a', 'b', 'b', 'a', 'b', 'c')
var1 <- as.numeric(c('0', '3.2', '3', '2.2', '1.1', '0', '1.2', '2.4','3.1'))
test_df <- data.frame(a1, id1, var1)

#code to get rid of duplicates
test_df2 <- test_df %>%
  filter(!(duplicated(id1) & duplicated(a1) & var1 == 0))

#alternative code
test_df3 <- test_df
test_df3$new_id <- with(test_df3, paste0(a1, sep = "-", id1))

test_df3 <- test_df3 %>%
  filter(!(duplicated(new_id) & var1 == 0))

这是我得到的照片：

这是期望的结果：

【问题讨论】：

标签： r dplyr

【解决方案1】：

我们可以使用group_by和summarise：

librar(dplyr)
test_df %>% 
  group_by(a1, id1) %>% 
  summarise(var1 = sum(var1))

 a1    id1    var1
  <chr> <chr> <dbl>
1 adam  a       3.2
2 adam  b       3  
3 jen   a       1.2
4 jen   b       2.4
5 jen   c       3.1
6 megan a       2.2
7 megan b       1.1

【讨论】：

谢谢@Tarjae - 这是一个有用的选择。虽然这适用于我的 reprex，但它不一定适用于我的数据库，因为我有额外的变量列无法求和。有没有办法根据过滤条件省略行？

【解决方案2】：

我能够通过使用 Janitor 的 get_dupes 然后从该子集进行过滤来解决这个问题。我不确定为什么我不能在 dplyr 中使用条件语句来实现这一点，但这是一种效果很好的 hack。

library(janitor)
library(dplyr)

a1 <- c('adam', 'adam', 'adam', 'megan', 'megan', 'jen', 'jen', 'jen')
id1 <- c('a', 'b', 'a','a', 'b', 'a', 'b', 'a')
var1 <- as.numeric(c('3.2', '2.7', '0','2', '1.1', '0', '2.2','3.1'))
var2 <- as.numeric(c('3.4', '3', '0','1.7', '1.2', '3', '0','3.3'))
test_df <- data.frame(a1, id1, var1, var2)
test_df$a1_id1 <- with(test_df, paste0(a1, sep = "-", id1))

#get all instances where there is a duplicated name and id
test_df2 <- test_df %>%
  get_dupes(a1_id1)

#remove rows that have var1 as 0 and remove column called dupe_count
test_df3 <- test_df2 %>%
  filter(var1 != 0) %>%
  select(-dupe_count)

#Remove all instances of duplicate names
test_df4 <- test_df %>%
  group_by(a1_id1) %>%
  filter(n() == 1)

#combine the two df's created and bind together for the desired output.
test_df_updated <- dplyr::bind_rows(test_df3, test_df4)

【讨论】：