Удаление дублированных строк с помощью dplyr

У меня есть data.frame, как это -

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

Я хотел бы удалить повторяющиеся строки на основе первых двух столбцов. Ожидаемый результат -

df[!duplicated(df[,1:2]),]
  x y z
1 0 1 1
2 1 0 2
4 1 1 4

Я специально ищу решение с помощью пакета dplyr.

Ответ 1

Примечание: dplyr теперь содержит distinct функцию для этой цели.

Оригинальный ответ ниже:

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
)

Один из подходов состоит в том, чтобы сгруппировать, а затем оставить только первый ряд:

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

(В dplyr 0.2 вам не понадобится фиктивная переменная z и вы сможете просто написать row_number() == 1)

Я также думал о добавлении функции slice() которая бы работала так:

df %>% group_by(x, y) %>% slice(from = 1, to = 1)

Или, возможно, вариант unique(), который позволит вам выбрать, какие переменные использовать:

df %>% unique(x, y)

Ответ 2

Вот решение, использующее dplyr 0.3.

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)
    x y z
  1 0 1 1
  2 1 0 2
  3 1 1 4

Обновлено для dplyr 0.5

dplyr версия 0.5 поведение по умолчанию distinct() возвращает только столбцы, указанные в аргументе ....

Чтобы достичь первоначального результата, вы должны теперь использовать:

df %>% distinct(x, y, .keep_all = TRUE)

Ответ 3

В целях полноты работы также работает:

df %>% group_by(x) %>% filter (! duplicated(y))

Тем не менее, я предпочитаю решение с помощью distinct, и я подозреваю, что он быстрее.

Ответ 4

При выборе столбцов в R для уменьшенного набора данных вы часто можете получить дубликаты.

Эти две строки дают одинаковый результат. Каждый выводит уникальный набор данных только с двумя выбранными столбцами:

distinct(mtcars, cyl, hp);

summarise(group_by(mtcars, cyl, hp));

Ответ 5

В большинстве случаев лучшим решением является использование Different distinct() от dplyr, как уже было предложено.

Однако здесь есть другой подход, который использует функцию slice() из dplyr.

# 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)

Отличие от использования функции Different `distinct()`

Преимущество этого решения заключается в том, что оно делает явным то, какие строки сохраняются в исходном кадре данных, и оно может прекрасно сочетаться с функциейrange arrange().

Допустим, у вас есть данные о продажах клиентов, и вы хотите сохранить одну запись на каждого клиента, и вы хотите, чтобы эта запись была той из их последней покупки. Тогда вы могли бы написать:

customer_purchase_data %>%
   arrange(desc(Purchase_Date)) %>%
   group_by(Customer_ID) %>%
   slice(1)

Ответ 6

Если вы хотите найти дублирующиеся строки, вы можете использовать find_duplicates из hablar:

library(dplyr)
library(hablar)

df <- tibble(a = c(1, 2, 2, 4),
             b = c(5, 2, 2, 8))

df %>% find_duplicates()