在数据框中查找唯一的行组

Question

我有一个数据框，我想在其中比较一组行并仅在整个组相同时才删除。例如：

df<-data.frame(X=c("a", "a", "a", "b", "b", "b", "c", "c", "c"), Y=c(1,2,1,2,2,2,1,2,1), Z=c("ABC","DEF","ABC", "DEF", "DEF", "DEF", "ABC", "DEF", "ABC"))

  X Y   Z
1 a 1 ABC
2 a 2 DEF
3 a 1 ABC
4 b 2 DEF
5 b 2 DEF
6 b 2 DEF
7 c 1 ABC
8 c 2 DEF
9 c 1 ABC

这里的组由 X 列标识，我想在不同的组之间进行比较。因此，这里的组 a 和组 c 是相同的。我想得到如下最终想要的结果：

  GroupID Y   Z
1 1       1 ABC
2 1       2 DEF
3 1       1 ABC
4 2       2 DEF
5 2       2 DEF
6 2       2 DEF

知道如何进行这种比较吗？

Answer 1

baseR 可能性：

# For each 'X', collapse 'Y' and 'Z' to a vector
l <- by(df[ , c("Y", "Z")], df$X, function(dat) paste0(dat, collapse = ""))

# select names of unique list elements
nm <- names(l)[!duplicated(l)]

# use these names to subset the data frame
df[df$X %in% nm, ]
#   X Y   Z
# 1 a 1 ABC
# 2 a 2 DEF
# 3 a 1 ABC
# 4 b 2 DEF
# 5 b 2 DEF
# 6 b 2 DEF

Answer 2

您可能需要查看“比较”包中的compare 函数。这是一种可能性：

library(compare)
x <- with(df, split(df[-1], df[[1]]))
Splits <- combn(names(x), 2)
Comparison <- apply(Splits, 2, function(y) {
  compare(x[y[1]], x[y[2]], allowAll = TRUE)$result
})
Splits[, Comparison]
# [1] "a" "c"

从中我们可以看到组“a”和“c”是重复的，我们可以使用它来对原始数据集进行子集化。

---

我在此答案中使用了allowAll = TRUE，但您可能需要查看compare 中提供的其他选项，以确定您在比较中实际希望允许哪些转换。