如何使用 R 识别双胞胎，然后随机选择并删除一个？答案

【问题标题】：How to use R to identify twins, and then randomly select and remove one?如何使用 R 识别双胞胎，然后随机选择并删除一个？
【发布时间】：2019-07-24 19:50:40
【问题描述】：

我有一个包含一些双胞胎和三胞胎的数据集。对于每组双胞胎或三胞胎，我需要随机选择一个以保留在数据集中。此信息编码在两列中，FamilyID 和 FamilyOrder。双胞胎和三胞胎共享 FamilyID 和 FamilyOrder。非双胞胎兄弟姐妹共享一个 FamilyID，但具有不同的 FamilyOrder 值。


    FamilyID  FamilyOrder  y
    1         1            45
    1         2            33
    2         1            12
    3         1            76
    3         2            15
    3         2            59
    3         2            22
    4         1            56
    4         1            21

因此，在此示例代码中，FamilyID 3 包含一个非双胞胎（编码为 1）和一组三胞胎（编码为 2），而 FamilyID 4 有一对双胞胎。

我希望输出类似于：

FamilyID  FamilyOrder  y
1         1            45
1         2            33
2         1            12
3         1            76
3         2            22
4         1            56

保留常规兄弟姐妹，但删除每个双胞胎和三胞胎除一个以外的所有兄弟姐妹。

【问题讨论】：

标签： r

【解决方案1】：

您可以使用dplyr...轻松做到这一点...

library(dplyr)

df %>% 
  group_by(FamilyID, FamilyOrder) %>% 
  sample_n(1)

  FamilyID FamilyOrder     y
1        1           1    45
2        1           2    33
3        2           1    12
4        3           1    76
5        3           2    22
6        4           1    56

【讨论】：

【解决方案2】：

你提到你只需要随机选择一个。所以first() 应该没问题。

library(dplyr)
df %>%
    group_by(FamilyID,FamilyOrder) %>%
    mutate(y = first(y)) %>%
    ungroup()

【讨论】：

【解决方案3】：

这是 base 和 data.table 的等价物。

library(data.table)

dt <- as.data.table(DF)
dt[, .(y = y[sample.int(length(y), 1)]), by = .(FamilyID, FamilyOrder)]

#equivalent base statements. only problem is that they're not sorted right. 
aggregate(DF$y
          , by =DF[, c('FamilyID', 'FamilyOrder')]
          , FUN = function(x) x[sample.int(length(x), 1)])

aggregate(y ~ FamilyID + FamilyOrder
          , data = DF
          , FUN = function(x) x[sample.int(length(x), 1)])

  FamilyID FamilyOrder  x
1        1           1 45
2        2           1 12
3        3           1 76
4        4           1 56
5        1           2 33
6        3           2 15

#super base for the first non-duplicate value
DF[!duplicated(DF[, names(DF) != 'y']), ]

  FamilyID FamilyOrder  y
1        1           1 45
2        1           2 33
3        2           1 12
4        3           1 76
5        3           2 15
8        4           1 56

【讨论】：