删除 R 中的“半重复”行 [重复]

Question

我有一个如下所示的数据集：

  text                 id     screenName retweetCount isRetweet retweeted longitude latitude
1    xx 778980737861062656  0504Traveller            0     FALSE     FALSE      <NA>     <NA>
2    xx 778967536167559168       Iz_Azman            0     FALSE     FALSE      <NA>     <NA>
3    yy 778962265298960384       Iz_Azman            0     FALSE     FALSE      <NA>     <NA>
4    yy 778954988122939392 travelindtoday            2     FALSE     FALSE      <NA>     <NA>
5    zz 778948691969224705           umtn            2     FALSE     FALSE      <NA>     <NA>
6    zz 778942095843135493     flyinsider            0     FALSE     FALSE      <NA>     <NA>

这些是 R 中 twittR 包中的推文。一些推文具有完全相同的 text 但不同的 retweetCount。我想保留唯一的推文（text），但保留那些具有最高 retweetCount 的推文。 （在上述情况下，推文 1、4 和 5。）

我该怎么做？

Answer 1

这个怎么样？

df

    text           id     screenName retweetCount isRetweet retweeted longitude latitude
1   xx 7.789807e+17  0504Traveller            0     FALSE     FALSE      <NA>     <NA>
2   xx 7.789675e+17       Iz_Azman            0     FALSE     FALSE      <NA>     <NA>
3   yy 7.789623e+17       Iz_Azman            0     FALSE     FALSE      <NA>     <NA>
4   yy 7.789550e+17 travelindtoday            2     FALSE     FALSE      <NA>     <NA>
5   zz 7.789487e+17           umtn            2     FALSE     FALSE      <NA>     <NA>
6   zz 7.789421e+17     flyinsider            0     FALSE     FALSE      <NA>     <NA>

merge(df, aggregate(retweetCount~text, df, FUN=max), by=c('text', 'retweetCount'))        

    text retweetCount           id     screenName isRetweet retweeted longitude latitude
1   xx            0 7.789807e+17  0504Traveller     FALSE     FALSE      <NA>     <NA>
2   xx            0 7.789675e+17       Iz_Azman     FALSE     FALSE      <NA>     <NA>
3   yy            2 7.789550e+17 travelindtoday     FALSE     FALSE      <NA>     <NA>
4   zz            2 7.789487e+17           umtn     FALSE     FALSE      <NA>     <NA>

如果我们想删除重复的转推计数，那么我们可以尝试以下方法：

merge(df[!duplicated(df[c('text', "retweetCount")]),], 
       aggregate(retweetCount~text, df, FUN=max), by=c('text', 'retweetCount'))

    text retweetCount           id     screenName isRetweet retweeted longitude latitude
1   xx            0 7.789807e+17  0504Traveller     FALSE     FALSE      <NA>     <NA>
2   yy            2 7.789550e+17 travelindtoday     FALSE     FALSE      <NA>     <NA>
3   zz            2 7.789487e+17           umtn     FALSE     FALSE      <NA>     <NA>

Answer 2

您可以通过dplyr 做到这一点

library(dplyr)
df %>%
  group_by(text) %>%
  slice(which.max(retweetCount))

#text           id     screenName retweetCount isRetweet retweeted longitude latitude
#(fctr)        (dbl)         (fctr)        (int)     (lgl)     (lgl)    (fctr)   (fctr)
#1  xx      7.789807e+17  0504Traveller       0     FALSE     FALSE      <NA>     <NA>
#4  yy      7.789550e+17 travelindtoday       2     FALSE     FALSE      <NA>     <NA>
#5  zz      7.789487e+17           umt        2     FALSE     FALSE      <NA>     <NA>

---

base R 中使用ave和order 的另一种方法是：

df[ave(df$retweetCount,df$text, FUN = function(x) order(x, decreasing = T)) == 1, ]

# text           id     screenName retweetCount isRetweet retweeted longitude latitude
#1  xx   7.789807e+17  0504Traveller            0     FALSE     FALSE      <NA>     <NA>
#4  yy   7.789550e+17 travelindtoday            2     FALSE     FALSE      <NA>     <NA>
#5  zz   7.789487e+17           umtn            2     FALSE     FALSE      <NA>     <NA>