查找重复行（使用dplyr）

Posted 2021-04-17

我有以下数据框：

> df1 <- data.frame("valA" = c(1,1,1,1,2,1,3,3,3), "valB" = c(1,2,3,1,2,3,1,2,3), "Score" = c(100,90,80,100, 60,80,10,20,30))
> df1
  valA valB Score
1    1    1   100
2    1    2    90
3    1    3    80
4    1    1   100
5    2    2    60
6    1    3    80
7    3    1    10
8    3    2    20
9    3    3    30

我想要重复的值（预期的结果是）：

     valA  valB Score
 1     1     1   100
 2     1     3    80
 3     1     1   100
 4     1     3    80

我知道有代码可以在dplyr :: distinct中获取唯一值，但我需要知道哪些行是重复的，而不是从数据框中删除重复。我试过R基础包：重复功能，但由于我的数据很大（超过2000万行），所以它太慢了。我也尝试过：

duplicated_df1 <- df1 %>% group_by(valA, valB, Score) %>% filter(n() > 1)

这可能导致上面的预期结果，但同样，它太慢了，我没有足够的RAM。任何人都可以建议我找到重复行的有效和快速的方法？

答案

对于大数据，尝试data.table方法通常很有用。在这种情况下，您可以使用以下命

library(data.table)
setDT(df1, key = c("valA", "valB", "Score"))
df1[, N := .N, by = key(df1)]                # count rows per group
df1[N > 1]