R 似乎 duplicated() 选择了错误的重复项

Question

我现在已经注意到几次，当我使用 R 来识别重复项时，有时它似乎会识别错误的情况。

这是一个包含三列的数据框，每列可能包含重复值。我想在所有三个变量上隔离与另一个案例重复的案例。

set.seed(100)
test <- data.frame(id = sample(1:15, 20, replace = TRUE),
                     cat1 = sample(letters[1:2], 20, replace = TRUE),
                     cat2 = sample(letters[1:2], 20, replace = TRUE))

这给了我：

   id cat1 cat2
1   5    b    a
2   4    b    b
3   9    b    b
4   1    b    b
5   8    a    b
6   8    a    a
7  13    b    b
8   6    b    b
9   9    b    a
10  3    a    a
11 10    a    a
12 14    b    a
13  5    a    a
14  6    b    a
15 12    b    b
16 11    b    a
17  4    a    a
18  6    b    a
19  6    b    b
20 11    a    a

我已经尝试了几种方法，例如： duplicated(test$id) & duplicated(test$cat1) & duplicated(test$cat2)

但这与duplicated(test$id)的结果相同：

[1] FALSE FALSE FALSE FALSE FALSE  TRUE FALSE FALSE  TRUE FALSE FALSE FALSE  TRUE  TRUE FALSE FALSE
[17]  TRUE  TRUE  TRUE  TRUE

所以我改为尝试duplicated(test$id, test$cat1, test$cat2)，它会产生不同的结果：

[1]  TRUE  TRUE  TRUE FALSE  TRUE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE  TRUE FALSE  TRUE
[17] FALSE  TRUE FALSE FALSE

但仍然不正确 - 如果我从我们得到的数据框中调用这些案例：

> test[which(duplicated(test$id, test$cat1, test$cat2)),]
   id cat1 cat2
1   5    b    a
2   4    b    b
3   9    b    b
5   8    a    b
8   6    b    b
14  6    b    a
16 11    b    a
18  6    b    a

如您所见，这些不是我们应该得到的行（如果它在做我认为它会做的事情），应该是（据我所见）：

18  6   b   a
19  6   b   b

有谁知道为什么会出现这些结果，以及我在使用它时哪里出错了？有没有一种简单（最好是不冗长）的方法？

Answer 1

我们需要在data.frame 或matrix 或vector 上申请duplicated

i1 <- duplicated(test[c('id', 'cat1')])
i2 <- duplicated(cbind(test$id, test$cat1))
identical(i1, i2)
#[1] TRUE

并且不超过一个 data.frame 或 matrix 或 vector

i3 <- duplicated(test$id, test$cat1)
identical(i1, i3)
#[1] FALSE

---

在?duplicated的文档中有说明

重复（x，无法比较的 = FALSE，...）

在哪里

x 向量或数据框或数组或 NULL。

而不是“x1”、“x2”等。

正如@Aaron 在 cmets 中提到的，从 OP 的数据中子集重复项

test[duplicated(test),]

如果我们只想要重复的，那么

test[duplicated(test)|duplicated(test, fromLast = TRUE),]

Answer 2

单独复制列与复制数据框或矩阵不同。这个例子更清楚了：

df = data.frame(x = c(1,2,1),
                y = c(1,3,3))
df$dupe = duplicated(df$x) & duplicated(df$y)
df$dupe2 = duplicated(df[,c("x","y")])
df

使用你的方法，duplicated 说“当我点击第三行时，x 已经有一个 1，所以它被复制了。y 已经有一个 3，所以它被复制了。”这并不意味着它已经看到了 x = 1 和 y = 3 的行。