从 R 中的数据框中删除重复的列组合

Posted 2023-03-29

【中文标题】从 R 中的数据框中删除重复的列组合

【英文标题】：Remove duplicates column combinations from a dataframe in R

【发布时间】：2012-01-15 09:12:04

【问题描述】：

我想从以下数据中删除 sessionid、qf 和 qn 的重复组合

               sessionid             qf        qn         city
1  9cf571c8faa67cad2aa9ff41f3a26e38     cat   biddix          fresno
2  e30f853d4e54604fd62858badb68113a   caleb     amos                
3  2ad41134cc285bcc06892fd68a471cd7  daniel  folkers                
4  2ad41134cc285bcc06892fd68a471cd7  daniel  folkers                
5  63a5e839510a647c1ff3b8aed684c2a5 charles   pierce           flint
6  691df47f2df12f14f000f9a17d1cc40e       j    franz prescott+valley
7  691df47f2df12f14f000f9a17d1cc40e       j    franz prescott+valley
8  b3a1476aa37ae4b799495256324a8d3d  carrie mascorro            brea
9  bd9f1404b313415e7e7b8769376d2705    fred  morales       las+vegas
10 b50a610292803dc302f24ae507ea853a  aurora      lee                
11 fb74940e6feb0dc61a1b4d09fcbbcb37  andrew    price       yorkville 

我以 data.frame 的形式读入数据并将其称为 mydata。 Heree 是我到目前为止的代码，但我需要知道如何首先正确地对 data.frame 进行排序。其次去掉sessionid、qf、qn的重复组合。最后在 qf 列中的直方图中绘制字符

sortDATA<-function(name)

#sort the code by session Id, first name, then last name
sort1.name <- name[order("sessionid","qf","qn") , ]
#create a vector of length of first names
sname<-nchar(sort1.name$qf)
hist(sname)

谢谢！

【问题讨论】：

从@Joran 的答案末尾开始，您可以使用plot(dat$qf, las=2) 绘制一个简单的直方图。 （las 参数用于将 xlabels 旋转 90 度）。

【参考方案1】：

duplicated() 有一个data.frames 的方法，它就是为这类任务而设计的：

df <- data.frame(a = c(1:4, 1:4), 
                 b = c(4:1, 4:1), 
                 d = LETTERS[1:8])

df[!duplicated(df[c("a", "b")]),]
#   a b d
# 1 1 4 A
# 2 2 3 B
# 3 3 2 C
# 4 4 1 D

【讨论】：

如何删除这些交叉重复？可以通过重复函数来完成吗？

【参考方案2】：

在您的示例中，重复的行完全重复。 unique 适用于 data.frames。

udf <- unique( my.data.frame )

至于排序... joran 刚刚发布了答案。

【参考方案3】：

为了解决您的排序问题，首先阅读您的示例数据：

dat <- read.table(text = "               sessionid             qf        qn         city
1  9cf571c8faa67cad2aa9ff41f3a26e38     cat   biddix          fresno
2  e30f853d4e54604fd62858badb68113a   caleb     amos             NA   
3  2ad41134cc285bcc06892fd68a471cd7  daniel  folkers             NA   
4  2ad41134cc285bcc06892fd68a471cd7  daniel  folkers             NA   
5  63a5e839510a647c1ff3b8aed684c2a5 charles   pierce           flint
6  691df47f2df12f14f000f9a17d1cc40e       j    franz prescott+valley
7  691df47f2df12f14f000f9a17d1cc40e       j    franz prescott+valley
8  b3a1476aa37ae4b799495256324a8d3d  carrie mascorro            brea
9  bd9f1404b313415e7e7b8769376d2705    fred  morales       las+vegas
10 b50a610292803dc302f24ae507ea853a  aurora      lee              NA  
11 fb74940e6feb0dc61a1b4d09fcbbcb37  andrew    price       yorkville ",sep = "",header = TRUE)

然后您可以使用 plyr 中的arrange，

arrange(dat,sessionid,qf,qn)

或使用基函数，

with(dat,dat[order(sessionid,qf,qn),])

【参考方案4】：

如果您使用重复两次，它会起作用：

> df

  a  b c    d
1 1  2 A 1001
2 2  4 B 1002
3 3  6 B 1002
4 4  8 C 1003
5 5 10 D 1004
6 6 12 D 1004
7 7 13 E 1005
8 8 14 E 1006

> df[!(duplicated(df[c("c","d")]) | duplicated(df[c("c","d")], fromLast = TRUE)), ]

a  b c    d
1 1  2 A 1001
4 4  8 C 1003
7 7 13 E 1005
8 8 14 E 1006