【发布时间】:2022-01-16 19:49:56
【问题描述】:
我有一个大型数据集,包含几百万行和几列。两列应该是唯一的 ID。但是有多个重复项。 这是我数据集的一个小样本(前 10 行,目前在 N 或 C 中没有任何重复):
inschrijf_last Pseudoniem_N Pseudoniem_C Verwijder
10 2020-10-01 UG2N006a768jvr18l2i1jahj8lba0gkp UG2C00780vgkrb6ducv16n4hm0jcvb7g 0
14 2020-10-01 UG2N005htkh5ptahdqidvptb85h9c3sc UG2C006mc1mjciccnvtdoke65lu75c71 0
19 <NA> UG2N0035cscm05jojivdt85av0sh34vo UG2C000r2dhjudrt679v15t4a5a9htnl 1
25 2020-10-01 UG2N005evrtnube8939bojvnmeevkkkc UG2C0035j36uuosv0l4250ctj1m4rm2u 0
26 <NA> UG2N007352gn5be17ppemn19dhf7h1fj UG2C 1
27 2020-10-01 UG2N0023reb9qr1t8lr8k11hnolu49b3 UG2C00361k53ni7u3dfge25neob23lrk 0
30 2016-01-01 UG2N002tv1i0s76h4ljehu2tj03g61a8 UG2C004jvu3f3ig9pbmi2tga0uc7db30 0
33 2020-10-01 UG2N0073i8mi4rmq8dqlrse6vk6t81sg UG2C001g3tla577jnh3s617thjh97631 0
34 2018-01-01 UG2N005ut027j93cbmhoa70nmnadjp6g UG2C001tubiclm75f9nad25pads9eata 0
35 <NA> UG2N0076de059qhm989ge9e7agjosmek UG2C005r9p6arkr3foi4b4ma5nbl6s2p 1
列 Pseudoniem_N 和 Pseudoniem_C 是“字符”。 我想识别并标记 3 个可选的重复项:
1: If Pseudoniem_N = duplicate -> identify and mark
2: If pseudoniem_C = duplicate -> identify and mark
3: If pseudoniem N AND C both duplicate -> identify and mark
Preferably in three different variables/columns
想要的结果 我想添加这些额外的变量来标记(字符)重复 N、C 和 N + C。下面我做了一个小例子。
inschrijf_last Pseudoniem_N Pseudoniem_C Duplicate N Duplicate C Duplicate N+C
10 2020-10-01 aaaaaaaa aaaabbbb 1 1 1
14 2020-10-01 aaaaaaaa aaaabbbb 1 1 1
19 <NA> bbbbbbbb bbbbaaaa 2
25 2020-10-01 bbbbbbbb aaaacccc 2 2
26 <NA> cccccccc aaaacccc 2
etc.
非常感谢您!
【问题讨论】:
-
使用
data.table包(因为您的数据集很大)并查看search.r-project.org/CRAN/refmans/data.table/html/…
标签: r duplicates identify