删除重复的行

我已经将CSV文件读入R data.frame。有些行在其中一列中有相同的元素。我想删除该列中重复的行。例如:

platform_external_dbus          202           16                     google        1
platform_external_dbus          202           16         space-ghost.verbum        1
platform_external_dbus          202           16                  localhost        1
platform_external_dbus          202           16          users.sourceforge        8
platform_external_dbus          202           16                    hughsie        1

我只需要其中一行，因为其他的在第一列中有相同的数据。

551064 次浏览
小开
最佳答案

只需要将你的数据帧与你需要的列隔离，然后使用唯一的函数:D

# in the above example, you only need the first three columns
deduped.data <- unique( yourdata[ , 1:3 ] )
# the fourth column no longer 'distinguishes' them,
# so they're duplicates and thrown out.
小开

对于那些来这里寻找重复行删除的一般答案的人，使用!duplicated():

a <- c(rep("A", 3), rep("B", 3), rep("C",2))
b <- c(1,1,2,4,1,1,2,2)
df <-data.frame(a,b)


duplicated(df)
[1] FALSE  TRUE FALSE FALSE FALSE  TRUE FALSE  TRUE


> df[duplicated(df), ]
a b
2 A 1
6 B 1
8 C 2


> df[!duplicated(df), ]
a b
1 A 1
3 A 2
4 B 4
5 B 1
7 C 2

答案:从R数据帧中删除重复的行

小开

dplyr包中的distinct()函数执行任意重复删除，可以从特定的列/变量中删除(如本问题中所示)，也可以考虑所有列/变量。dplyr是tidyverse的一部分。

数据和包装

library(dplyr)
dat <- data.frame(a = rep(c(1,2),4), b = rep(LETTERS[1:4],2))

删除在特定列中重复的行(例如columna)

注意，.keep_all = TRUE保留所有列，否则只保留列a。

distinct(dat, a, .keep_all = TRUE)


a b
1 1 A
2 2 B

删除与其他行完全重复的行:

distinct(dat)


a b
1 1 A
2 2 B
3 1 C
4 2 D
小开

sqldf:

# Example by Mehdi Nellen
a <- c(rep("A", 3), rep("B", 3), rep("C",2))
b <- c(1,1,2,4,1,1,2,2)
df <-data.frame(a,b)

解决方案:

 library(sqldf)
sqldf('SELECT DISTINCT * FROM df')

输出:

  a b
1 A 1
2 A 2
3 B 4
4 B 1
5 C 2
小开

data.table包也有自己的unique和duplicated方法，还有一些额外的功能。

unique.data.table和duplicated.data.table方法都有一个额外的by参数，它允许你分别传递一个包含列名或列名位置的character或integer向量

library(data.table)
DT <- data.table(id = c(1,1,1,2,2,2),
val = c(10,20,30,10,20,30))


unique(DT, by = "id")
#    id val
# 1:  1  10
# 2:  2  10


duplicated(DT, by = "id")
# [1] FALSE  TRUE  TRUE FALSE  TRUE  TRUE

这些方法的另一个重要特征是，对于较大的数据集，可以获得巨大的性能提升

library(microbenchmark)
library(data.table)
set.seed(123)
DF <- as.data.frame(matrix(sample(1e8, 1e5, replace = TRUE), ncol = 10))
DT <- copy(DF)
setDT(DT)


microbenchmark(unique(DF), unique(DT))
# Unit: microseconds
#       expr       min         lq      mean    median        uq       max neval cld
# unique(DF) 44708.230 48981.8445 53062.536 51573.276 52844.591 107032.18   100   b
# unique(DT)   746.855   776.6145  2201.657   864.932   919.489  55986.88   100  a




microbenchmark(duplicated(DF), duplicated(DT))
# Unit: microseconds
#           expr       min         lq       mean     median        uq        max neval cld
# duplicated(DF) 43786.662 44418.8005 46684.0602 44925.0230 46802.398 109550.170   100   b
# duplicated(DT)   551.982   558.2215   851.0246   639.9795   663.658   5805.243   100  a
小开

或者你可以用tidyr将cols 4和5中的数据嵌套到一行中:

library(tidyr)
df %>% nest(V4:V5)


# A tibble: 1 × 4
#                      V1    V2    V3             data
#                  <fctr> <int> <int>           <list>
#1 platform_external_dbus   202    16 <tibble [5 × 2]>

重复的col 2和3现在被删除用于统计分析，但你已经将col 4和5数据保存在一个tibble中，并且可以在任何地方使用unnest()返回到原始数据帧。

小开

一般答案可以是 例如:< / p > 

df <-  data.frame(rbind(c(2,9,6),c(4,6,7),c(4,6,7),c(4,6,7),c(2,9,6))))






new_df <- df[-which(duplicated(df)), ]

输出:

      X1 X2 X3
1  2  9  6
2  4  6  7
小开

删除数据帧的重复行

library(dplyr)
mydata <- mtcars


# Remove duplicate rows of the dataframe
distinct(mydata)

在这个数据集中，没有一个重复的行，所以它返回与mydata中相同的行数。

< p > < br > < br > 基于一个变量删除重复行

library(dplyr)
mydata <- mtcars


# Remove duplicate rows of the dataframe using carb variable
distinct(mydata,carb, .keep_all= TRUE)

.keep_all函数用于保留输出数据帧中的所有其他变量。

< p > < br > < br > 基于多个变量删除重复行

library(dplyr)
mydata <- mtcars


# Remove duplicate rows of the dataframe using cyl and vs variables
distinct(mydata, cyl,vs, .keep_all= TRUE)

.keep_all函数用于在输出数据帧中保留所有其他变量。

(from: http://www.datasciencemadesimple.com/remove-duplicate-rows-r-using-dplyr-distinct-function/)

小开

这个问题也可以通过从每个组中选择第一行来解决，其中组是我们想要选择唯一值的列(在共享的示例中，它只是第一列)。

使用底数R:

subset(df, ave(V2, V1, FUN = seq_along) == 1)


#                      V1  V2 V3     V4 V5
#1 platform_external_dbus 202 16 google  1

在dplyr

library(dplyr)
df %>% group_by(V1) %>% slice(1L)

或者使用data.table

library(data.table)
setDT(df)[, .SD[1L], by = V1]

如果我们需要根据多个列找出唯一的行，只需在分组部分为上面的每个答案添加这些列名。

数据

df <- structure(list(V1 = structure(c(1L, 1L, 1L, 1L, 1L),
.Label = "platform_external_dbus", class = "factor"),
V2 = c(202L, 202L, 202L, 202L, 202L), V3 = c(16L, 16L, 16L,
16L, 16L), V4 = structure(c(1L, 4L, 3L, 5L, 2L), .Label = c("google",
"hughsie", "localhost", "space-ghost.verbum", "users.sourceforge"
), class = "factor"), V5 = c(1L, 1L, 1L, 8L, 1L)), class = "data.frame",
row.names = c(NA, -5L))
小开

下面是一个非常简单、快速的dplyr/tidy解决方案:

删除完全相同的行:

library(dplyr)
iris %>%
distinct(.keep_all = TRUE)

删除仅在某些列中相同的行:

iris %>%
distinct(Sepal.Length, Sepal.Width, .keep_all = TRUE)

提交答案