基于多行中的重复值的子集数据框答案

【问题标题】：Subset dataframe based on duplicate values in multiple rows基于多行中的重复值的子集数据框
【发布时间】：2018-04-28 23:10:10
【问题描述】：

如何子集下面的数据框以仅显示行是列 AAA:CCC 都具有相同的值并保留 IndID 字段？

Dat <- data.frame(IndID = LETTERS[seq(1,10)],
                  AAA = c(1,5,3,2,3,1,5,4,6,2),
                  BBB = c(1,8,5,2,5,4,8,4,4,5),
                  CCC = c(1,5,3,2,3,5,5,4,6,5))

> Dat
   IndID AAA BBB CCC
1      A   1   1   1
2      B   5   8   5
3      C   3   5   3
4      D   2   2   2
5      E   3   5   3
6      F   1   4   5
7      G   5   8   5
8      H   4   4   4
9      I   6   4   6
10     J   2   5   5

我想返回以下结果。

Result <- data.frame(IndID = c("A", "D", "H"),
                  AAA = c(1,2,4),
                  BBB = c(1,2,4),
                  CCC = c(1,2,4))

> Result
  IndID AAA BBB CCC
1     A   1   1   1
2     D   2   2   2
3     H   4   4   4

我找到了许多相关的帖子，包括Find duplicated rows (based on 2 columns) in Data Frame in R 和Find duplicated elements with dplyr 等，但无法用三列重现所需的结果。例如，虽然关闭下面的代码显示所有 distinct 行，但包含行的不良结果只有两个值相等。

Dat %>% distinct(AAA, BBB, CCC)

我怀疑解决方案涉及filter，但不确定如何从示例mentioned above 中获得所需的结果。首选dplyr 解决方案。

加法我也想知道这是否可以应用于多个因素。例如下面的数据，其中包含一个IndID 和三个存储为因子的日期，是否可以通过允许因子或将因子更改为数值来产生类似的结果？

Dat <- structure(list(GenIndID = structure(c(1L, 2L, 6L, 7L, 3L, 4L, 
8L, 5L), .Label = c("BHS_601", "BHS_603", "BHS_604", "BHS_605", 
"BHS_631", "BHS_635", "BHS_636", "BHS_637"), class = "factor"), 
    CptrDate = structure(c(1L, 2L, 3L, 3L, 2L, 2L, 3L, 4L), .Label = c("2016-02-01", 
    "2016-02-02", "2016-02-04", "2016-12-11"), class = "factor"), 
    DtLastAlive = structure(c(2L, 2L, 1L, 1L, 2L, 2L, 1L, 3L), .Label = c("2016-02-04", 
    "2017-07-13", "2017-08-27"), class = "factor"), DtFnlFate = structure(c(2L, 
    2L, 1L, 1L, 2L, 2L, 1L, 3L), .Label = c("2016-02-04", "2017-07-13", 
    "2017-08-27"), class = "factor")), .Names = c("GenIndID", 
"CptrDate", "DtLastAlive", "DtFnlFate"), row.names = c(82L, 83L, 
224L, 225L, 84L, 85L, 226L, 360L), class = "data.frame")


> Dat
    GenIndID   CptrDate DtLastAlive  DtFnlFate
82   BHS_601 2016-02-01  2017-07-13 2017-07-13
83   BHS_603 2016-02-02  2017-07-13 2017-07-13
224  BHS_635 2016-02-04  2016-02-04 2016-02-04
225  BHS_636 2016-02-04  2016-02-04 2016-02-04
84   BHS_604 2016-02-02  2017-07-13 2017-07-13
85   BHS_605 2016-02-02  2017-07-13 2017-07-13
226  BHS_637 2016-02-04  2016-02-04 2016-02-04
360  BHS_631 2016-12-11  2017-08-27 2017-08-27

想要的结果是

> Dat[c(3, 4, 7),]
    GenIndID   CptrDate DtLastAlive  DtFnlFate
224  BHS_635 2016-02-04  2016-02-04 2016-02-04
225  BHS_636 2016-02-04  2016-02-04 2016-02-04
226  BHS_637 2016-02-04  2016-02-04 2016-02-04

【问题讨论】：

Dat[apply(Dat[-1], 1, function(x) length(unique(x)) == 1),]

标签： r dplyr

【解决方案1】：

你可以有一个矢量化的解决方案：

Dat[do.call(function(...) pmax(...) - pmin(...), Dat[, -1]) == 0,]
#  IndID AAA BBB CCC
#1     A   1   1   1
#4     D   2   2   2
#8     H   4   4   4

【讨论】：

【解决方案2】：

这是apply 和all 的另一个解决方案：

Dat[apply(Dat[,-1], 1, function(x) all(x==x[1])),]

或与filter_at 来自dplyr：

library(dplyr)
Dat %>% 
  filter_at(vars(AAA:CCC), all_vars(. == .data$AAA))

结果：

  IndID AAA BBB CCC
1     A   1   1   1
4     D   2   2   2
8     H   4   4   4

编辑：

作为对 OP 的附加示例的响应，apply 示例无论变量类型如何都可以工作。因此，以下内容适用于新示例：

Dat[apply(Dat[,-1], 1, function(x) all(x==x[1])),]

结果：

    GenIndID   CptrDate DtLastAlive  DtFnlFate
224  BHS_635 2016-02-04  2016-02-04 2016-02-04
225  BHS_636 2016-02-04  2016-02-04 2016-02-04
226  BHS_637 2016-02-04  2016-02-04 2016-02-04

但是，对于filter_at，如果要比较的列是factor，则需要先转换为character：

Dat %>% 
  filter_at(vars(-1), all_vars(as.character(.) == .data$CptrDate))

请注意，您只需要将. 转换为字符，而不需要.data$CptrDate，因为因子可以与字符组合，但不能与另一个不同级别的因子。

另一种选择是：

Dat %>%
  mutate_at(vars(-1), as.character) %>%
  filter_at(vars(-1), all_vars(. == .data$CptrDate))

结果：

  GenIndID   CptrDate DtLastAlive  DtFnlFate
1  BHS_635 2016-02-04  2016-02-04 2016-02-04
2  BHS_636 2016-02-04  2016-02-04 2016-02-04
3  BHS_637 2016-02-04  2016-02-04 2016-02-04

【讨论】：

filter_at 是 dplyr 的新成员吗？
@B.Davis 我认为发布已经有一段时间了。你有什么版本的dplyr？检查sessionInfo()
是的。我有 0.5.0 但刚刚重新安装，现在有 filter_at
@B.Davis 太好了。还有filter_all、summarize_at、summarize_all 等。例如，如果您没有IndID 列，我会使用filter_all
这适用于我的数字数据！完美的！我也想知道它是否可以应用于因子并在上面添加了一个附加项。提前致谢！

【解决方案3】：

如果您只需要 3 列的子集，则可以使用 DF[,] 运算符。

# DF[where rows have a value, select columns]
# [where rows where AAA==BBB==CCC, select all columns with ""]
temp <- Dat[Dat$AAA == Dat$BBB & Dat$BBB == Dat$CCC,]

【讨论】：

【解决方案4】：

您可以使用range() 和diff() 的组合。

Dat[apply(Dat[ ,-1], 1, function(x) diff(range(x)))==0, ] 
#   IndID AAA BBB CCC
# 1     A   1   1   1
# 4     D   2   2   2
# 8     H   4   4   4

range() 为您提供向量的最小值和最大值。 diff() 为您提供向量中值之间的差异。如果min-value 和max-value 之间的差为零，则您知道所有值都相等。如果我们使用apply 逐行应用这个，我们会得到一个TRUE/FALSE 向量，我们可以用它来索引Dat。

小例子说明逻辑：

test <- c(1, 5, 3)
minmax <- range(test)    # gives c(1,5)
diff(minmax)             # gives 4
diff(range(c(1, 1, 1)))  # gives 0

如果我们检查每一行，无论 diff(range(your_row)) 是否等于 0，我们都可以使用它的输出来索引 Dat，就像我们上面所做的那样。

【讨论】：