Hapus baris yang digandakan menggunakan dplyr

Saya memiliki data.frame seperti ini -

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

Saya ingin menghapus duplikat baris berdasarkan dua kolom pertama. Output yang diharapkan -

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

Saya secara khusus mencari solusi menggunakan dplyrpaket.

Catatan : dplyrsekarang berisi distinctfungsi untuk tujuan ini.

Jawaban asli di bawah:

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
)

Satu pendekatan adalah mengelompokkan, dan kemudian hanya mempertahankan baris pertama:

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

(Dalam dplyr 0.2 Anda tidak memerlukan zvariabel dummy dan hanya akan bisa menulis row_number() == 1)

Saya juga sudah berpikir tentang menambahkan slice()fungsi yang akan berfungsi seperti:

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

Atau mungkin variasi unique()yang memungkinkan Anda memilih variabel mana yang akan digunakan:

df %>% unique(x, y)

Berikut ini adalah solusi menggunakan dplyr >= 0.5.

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

Demi kelengkapan, berikut ini juga berfungsi:

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

Namun, saya lebih suka menggunakan solusi distinct, dan saya curiga ini lebih cepat juga.

Sebagian besar waktu, solusi terbaik adalah menggunakan distinct() dari dplyr, seperti yang telah disarankan.

Namun, inilah pendekatan lain yang menggunakan slice()fungsi dari 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)

Perbedaan menggunakan distinct() fungsi

Kelebihan dari solusi ini adalah ia membuatnya eksplisit baris mana yang dipertahankan dari kerangka data asli, dan dapat dipasangkan dengan baik dengan arrange()fungsinya.

Katakanlah Anda memiliki data penjualan pelanggan dan Anda ingin menyimpan satu catatan per pelanggan, dan Anda ingin catatan itu menjadi yang dari pembelian terakhir mereka. Maka Anda bisa menulis:

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

Saat memilih kolom dalam R untuk kumpulan data yang diperkecil, Anda sering kali bisa mendapatkan duplikat.

Dua baris ini memberikan hasil yang sama. Setiap menghasilkan set data unik dengan dua kolom yang dipilih saja:

distinct(mtcars, cyl, hp);

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

Jika Anda ingin menemukan baris yang digandakan, Anda dapat menggunakan find_duplicatesdari hablar:

library(dplyr)
library(hablar)

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

df %>% find_duplicates()