我有一个这样的 data.frame -
set.seed(123)
df = data.frame(x=sample(0:1,10,replace=T),y=sample(0:1,10,replace=T),z=1:10)
> df
x y z
1 0 1 1
2 1 0 2
3 0 1 3
4 1 1 4
5 1 0 5
6 0 1 6
7 1 0 7
8 1 0 8
9 1 0 9
10 0 1 10
我想根据前两列删除重复的行。预期输出 -
df[!duplicated(df[,1:2]),]
x y z
1 0 1 1
2 1 0 2
4 1 1 4
我正在专门寻找使用dplyr 包的解决方案。
【问题讨论】：
这是使用dplyr >= 0.5 的解决方案。
library(dplyr)
set.seed(123)
df <- data.frame(
x = sample(0:1, 10, replace = T),
y = sample(0:1, 10, replace = T),
z = 1:10
)
> df %>% distinct(x, y, .keep_all = TRUE)
x y z
1 0 1 1
2 1 0 2
3 1 1 4
【讨论】：
注意：dplyr 现在包含用于此目的的 distinct 函数。
原答案如下：
library(dplyr)
set.seed(123)
df <- data.frame(
x = sample(0:1, 10, replace = T),
y = sample(0:1, 10, replace = T),
z = 1:10
)
一种方法是分组，然后只保留第一行：
df %>% group_by(x, y) %>% filter(row_number(z) == 1)
## Source: local data frame [3 x 3]
## Groups: x, y
##
## x y z
## 1 0 1 1
## 2 1 0 2
## 3 1 1 4
（在 dplyr 0.2 中，您不需要虚拟 z 变量，只需
能写row_number() == 1)
我也一直在考虑添加一个 slice() 函数
像这样工作：
df %>% group_by(x, y) %>% slice(from = 1, to = 1)
或者可能是unique() 的变体，可以让您选择哪个
要使用的变量：
df %>% unique(x, y)
【讨论】：
df %>% group_by(x, y) %>% do(head(.,1))
distinct()
为了完整起见，以下内容也适用：
df %>% group_by(x) %>% filter (! duplicated(y))
不过，我更喜欢使用 distinct 的解决方案，而且我怀疑它也更快。
【讨论】：
大多数时候，最好的解决方案是使用来自 dplyr 的 distinct()，正如已经建议的那样。
但是，这是使用 dplyr 中的 slice() 函数的另一种方法。
# Generate fake data for the example
library(dplyr)
set.seed(123)
df <- data.frame(
x = sample(0:1, 10, replace = T),
y = sample(0:1, 10, replace = T),
z = 1:10
)
# In each group of rows formed by combinations of x and y
# retain only the first row
df %>%
group_by(x, y) %>%
slice(1)
distinct()函数的区别此解决方案的优势在于，它可以明确从原始数据帧中保留哪些行，并且可以与 arrange() 函数很好地配对。
假设您拥有客户销售数据，并且您希望为每位客户保留一条记录，并且您希望该记录是他们最近一次购买的记录。然后你可以写：
customer_purchase_data %>%
arrange(desc(Purchase_Date)) %>%
group_by(Customer_ID) %>%
slice(1)
【讨论】：
在 R 中为精简数据集选择列时，您通常会出现重复。
这两行给出了相同的结果。每个输出一个唯一的数据集，只有两个选定的列：
distinct(mtcars, cyl, hp);
summarise(group_by(mtcars, cyl, hp));
【讨论】：
如果要查找重复的行，可以使用 find_duplicates from hablar:
library(dplyr)
library(hablar)
df <- tibble(a = c(1, 2, 2, 4),
b = c(5, 2, 2, 8))
df %>% find_duplicates()
【讨论】：